La generación de imágenes moleculares integrales de órganos y tumores en organismos vivos se puede realizar a una velocidad ultrarrápida utilizando un nuevo enfoque de aprendizaje profundo para la reconstrucción de imágenes desarrollado por investigadores del Instituto Politécnico Rensselaer.

La nueva técnica del equipo de investigación tiene el potencial de mejorar enormemente la calidad y la velocidad de las imágenes en sujetos vivos y fue el tema central de un artículo publicado recientemente en Luz:ciencia y aplicaciones , una revista Nature.

Las imágenes basadas en sensores comprimidos son una técnica de procesamiento de señales que se puede utilizar para crear imágenes basadas en un conjunto limitado de mediciones puntuales. Recientemente, un equipo de investigación de Rensselaer propuso un enfoque instrumental novedoso para aprovechar esta metodología para adquirir conjuntos completos de datos moleculares, como se informa en Fotónica de la naturaleza . Si bien ese enfoque produjo imágenes más completas, procesar los datos y formar una imagen puede llevar horas.

Esta última metodología desarrollada en Rensselaer se basa en el avance anterior y tiene el potencial de producir imágenes en tiempo real, al mismo tiempo que mejora la calidad y utilidad de las imágenes producidas. Esto podría facilitar el desarrollo de medicamentos personalizados, mejorar el diagnóstico clínico, o identificar el tejido que se va a extirpar.

Además de proporcionar una instantánea general del sujeto que se está examinando, incluidos los órganos o tumores que los investigadores han apuntado visualmente con la ayuda de la fluorescencia, este proceso de formación de imágenes puede revelar información sobre la administración intracelular exitosa de fármacos midiendo la tasa de desintegración de la fluorescencia.

Para permitir la visualización casi en tiempo real de eventos moleculares, el equipo de investigación ha aprovechado los últimos avances en inteligencia artificial. La reconstrucción de imágenes enormemente mejorada se logra mediante un enfoque de aprendizaje profundo. El aprendizaje profundo es un conjunto complejo de algoritmos diseñados para enseñar a una computadora a reconocer y clasificar datos. Específicamente, este equipo desarrolló una arquitectura de red neuronal convolucional que los investigadores de Rensselaer denominan Net-FLICS, que significa imágenes de fluorescencia de por vida con detección comprimida.

"Esta técnica es muy prometedora para obtener un diagnóstico y un tratamiento más precisos, "dijo Pingkun Yan, codirector del Centro de Imágenes Biomédicas de Rensselaer. "Esta tecnología puede ayudar a un médico a visualizar mejor dónde está un tumor y su tamaño exacto. Luego, pueden cortar con precisión el tumor en lugar de cortar una parte más grande y preservar a los sanos". tejido normal ".

Yan desarrolló este enfoque con el autor correspondiente Xavier Intes, el otro codirector del Centro de Imágenes Biomédicas de Rensselaer, que forma parte del Centro Rensselaer de Biotecnología y Estudios Interdisciplinarios. Los estudiantes de doctorado Marien Ochoa y Ruoyang Yao apoyaron la investigación.

"Al final, el objetivo es trasladarlos a un entorno clínico. Por lo general, cuando tiene sistemas clínicos, desea ser lo más rápido posible, "dijo Ochoa, al reflexionar sobre la velocidad con la que esta nueva técnica permite a los investigadores capturar estas imágenes.

Se requiere un mayor desarrollo antes de que esta nueva tecnología revolucionaria se pueda utilizar en un entorno clínico. Sin embargo, su progreso se ha acelerado mediante la incorporación de datos simulados basados ​​en modelos, una especialidad particular para Intes y su laboratorio.

"Para el aprendizaje profundo, por lo general, necesita una gran cantidad de datos para el entrenamiento, pero para este sistema todavía no tenemos ese lujo porque es un sistema muy nuevo, "dijo Yan.

Dijo que la investigación del equipo también muestra que el modelado se puede usar de manera innovadora en imágenes, extendiendo con precisión el modelo a los datos experimentales reales.