Nyt AI-værktøj kan revolutionere mikroskopi

Et AI-værktøj udviklet ved Göteborgs Universitet giver nye muligheder for at analysere billeder taget med mikroskoper. En undersøgelse viser, at værktøjet, som allerede har modtaget international anerkendelse, kan fundamentalt ændre mikroskopi og bane vejen for nye opdagelser og anvendelsesområder inden for både forskning og industri.

Fokus for undersøgelsen er dyb læring, en type kunstig intelligens (AI) og maskinlæring, som vi alle interagerer med dagligt, ofte uden at tænke over det. For eksempel når en ny sang på Spotify dukker op, der ligner sange, vi tidligere har lyttet til, eller når vores mobiltelefonkamera automatisk finder de bedste indstillinger og retter farver på et billede.

"Dyb læring har taget verden med storm og har haft en enorm indflydelse på mange industrier, sektorer og videnskabelige områder. Vi har nu udviklet et værktøj, der gør det muligt at udnytte det utrolige potentiale i deep learning, med fokus på billeder taget med mikroskoper, siger Benjamin Midtvedt, en doktorand i fysik og hovedforfatter til undersøgelsen.

Deep learning kan beskrives som en matematisk model, der bruges til at løse problemer, der er svære at tackle ved hjælp af traditionelle algoritmiske metoder. I mikroskopi, den store udfordring er at hente så meget information som muligt fra de datapakkede billeder, og det er her, deep learning har vist sig at være meget effektiv.

Værktøjet, som Midtvedt og hans forskerkolleger har udviklet, går ud på, at neurale netværk lærer at hente præcis den information, som en forsker ønsker fra et billede, ved at se et stort antal billeder igennem, kendt som træningsdata. Værktøjet forenkler processen med at producere træningsdata sammenlignet med at skulle gøre det manuelt, så titusindvis af billeder kan genereres på en time i stedet for hundrede på en måned.

"Dette gør det muligt hurtigt at udtrække flere detaljer fra mikroskopbilleder uden at skulle lave en kompliceret analyse med traditionelle metoder. resultaterne er reproducerbare, og tilpasset, specifik information kan hentes til et bestemt formål."

For eksempel, værktøjet giver brugeren mulighed for at bestemme størrelsen og materialeegenskaberne for meget små partikler og nemt tælle og klassificere celler. Forskerne har allerede vist, at værktøjet kan bruges af industrier, der skal rense deres emissioner, da de i realtid kan se, om alle uønskede partikler er blevet filtreret fra.

Forskerne håber på, at værktøjet i fremtiden kan bruges til at følge infektioner i en celle og kortlægge cellulære forsvarsmekanismer, hvilket ville åbne enorme muligheder for ny medicin og behandlinger.

"Vi har allerede set stor international interesse for værktøjet. Uanset de mikroskopiske udfordringer, forskere kan nu lettere foretage analyser, gøre nye opdagelser, implementere ideer og bryde ny vej inden for deres felter."