Maskinlæringsmikroskop tilpasser belysningen for at forbedre diagnosen

Ingeniører ved Duke University har udviklet et mikroskop, der tilpasser dets lysvinkler, farver og mønstre, mens de lærer sig selv de optimale indstillinger, der er nødvendige for at fuldføre en given diagnostisk opgave.

I den indledende proof-of-concept undersøgelse, Mikroskopet udviklede samtidig et belysningsmønster og klassificeringssystem, der gjorde det muligt hurtigt at identificere røde blodlegemer inficeret af malariaparasitten mere præcist end uddannede læger og andre metoder til maskinlæring.

Resultaterne vises online den 19. november i journalen Biomedicinsk optik Express .

"Et standardmikroskop belyser en prøve med den samme mængde lys, der kommer fra alle retninger, og at belysningen er blevet optimeret til menneskelige øjne i flere hundrede år, "sagde Roarke Horstmeyer, adjunkt i biomedicinsk teknik ved Duke.

"Men computere kan se ting, mennesker ikke kan, "Sagde Hortmeyer." Så vi har ikke kun redesignet hardwaren til at levere en bred vifte af belysningsindstillinger, Vi har tilladt mikroskopet at optimere belysningen for sig selv. "

I stedet for at sprede hvidt lys nedenunder for jævnt at belyse diaset, ingeniørerne udviklede en skålformet lyskilde med LED'er indlejret i hele overfladen. Dette gør det muligt at belyse prøver fra forskellige vinkler op til næsten 90 grader med forskellige farver, som i det væsentlige kaster skygger og fremhæver forskellige træk ved prøven afhængigt af mønsteret af de anvendte lysdioder.

Forskerne fodrede derefter mikroskopet med hundredvis af prøver af malaria-inficerede røde blodlegemer fremstillet som tynde udstrygninger, hvor cellelegemerne forbliver hele og ideelt spredt ud i et enkelt lag på et objektglas. Ved hjælp af en type maskinlæringsalgoritme kaldet et konvolutionsnervalt netværk, Mikroskopet lærte, hvilke træk i prøven, der var vigtigst for diagnosticering af malaria, og hvordan de bedst fremhæves.

Algoritmen landede til sidst på et ringformet LED-mønster i forskellige farver fra relativt høje vinkler. Selvom de resulterende billeder er mere støjende end et almindeligt mikroskopbillede, de fremhæver malariaparasitten på et lyspunkt og er korrekt klassificeret omkring 90 procent af tiden. Uddannede læger og andre maskinlæringsalgoritmer udfører typisk med omkring 75 procent nøjagtighed.

"De mønstre, den vælger, er ringlignende med forskellige farver, der er ikke-ensartede og ikke nødvendigvis er indlysende, "sagde Horstmeyer." Selvom billederne er svagere og mere støjende, end hvad en kliniker ville skabe, algoritmen siger, at den vil leve med støjen, den vil bare virkelig få fremhævet parasitten for at hjælpe den med at stille en diagnose. "

Horstmeyer sendte derefter LED -mønsteret og sorteringsalgoritmen til en anden kollaborators laboratorium over hele verden for at se, om resultaterne kunne oversættes til forskellige mikroskopopsætninger. Det andet laboratorium viste lignende succeser.

"Læger skal kigge tusind celler igennem for at finde en enkelt malariaparasit, "sagde Horstmeyer." Og fordi de skal zoome så tæt ind, de kan kun se på måske et dusin ad gangen, og det tager cirka 10 minutter at læse et dias. Hvis de kun skulle se på en håndfuld celler, som vores mikroskop allerede har plukket ud på få sekunder, det ville i høj grad fremskynde processen. "

Forskerne viste også, at mikroskopet fungerer godt med tykke blodsmørepræparater, hvor de røde blodlegemer danner en meget uensartet baggrund og kan brydes fra hinanden. Til dette præparat, maskinlæringsalgoritmen var en succes 99 procent af tiden.

Ifølge Horstmeyer, den forbedrede nøjagtighed forventes, fordi de testede tykke udstrygninger var stærkere farvede end de tynde udstrygninger og udviste højere kontrast. Men de tager også længere tid at forberede, og en del af motivationen bag projektet er at skære ned på diagnosetider i lavressourcemiljøer, hvor uddannede læger er sparsomme og flaskehalse er normen.

Med denne indledende succes i hånden, Horstmeyer fortsætter med at udvikle både mikroskopet og maskinlæringsalgoritmen.

En gruppe Duke ingeniørstuderende har dannet et opstartsfirma SafineAI for at miniaturisere det rekonfigurerbare LED -mikroskop -koncept, som allerede har tjent $ 120, 000 præmie ved en lokal pitchekonkurrence.

I mellemtiden, Horstmeyer arbejder med en anden algoritme til maskinlæring for at oprette en version af mikroskopet, der kan justere dets LED -mønster til ethvert bestemt dias, det forsøger at læse.

"Vi forsøger dybest set at give nogle hjerner til billedoptagelsesprocessen, "sagde Horstmeyer." Vi vil have mikroskopet til at bruge alle dets frihedsgrader. Så i stedet for bare dumt at tage billeder, det kan lege med fokus og belysning for at prøve at få en bedre idé om, hvad der er på diaset, ligesom et menneske ville. "