Los ingenieros de la Universidad de Duke han desarrollado un microscopio que adapta sus ángulos de iluminación, colores y patrones mientras se enseña a sí mismo la configuración óptima necesaria para completar una tarea de diagnóstico determinada.

En el estudio inicial de prueba de concepto, el microscopio desarrolló simultáneamente un patrón de iluminación y un sistema de clasificación que le permitió identificar rápidamente los glóbulos rojos infectados por el parásito de la malaria con mayor precisión que los médicos capacitados y otros enfoques de aprendizaje automático.

Los resultados aparecen en línea el 19 de noviembre en la revista Óptica Biomédica Express .

"Un microscopio estándar ilumina una muestra con la misma cantidad de luz proveniente de todas las direcciones, y esa iluminación se ha optimizado para los ojos humanos durante cientos de años, "dijo Roarke Horstmeyer, profesor asistente de ingeniería biomédica en Duke.

"Pero las computadoras pueden ver cosas que los humanos no pueden, ", Dijo Hortmeyer." Así que no solo hemos rediseñado el hardware para proporcionar una amplia gama de opciones de iluminación, hemos permitido que el microscopio optimice la iluminación por sí mismo ".

En lugar de difundir la luz blanca desde abajo para iluminar uniformemente la diapositiva, los ingenieros desarrollaron una fuente de luz en forma de cuenco con LED incrustados en toda su superficie. Esto permite que las muestras se iluminen desde diferentes ángulos hasta casi 90 grados con diferentes colores, que esencialmente proyecta sombras y resalta diferentes características de la muestra dependiendo del patrón de LED utilizados.

Luego, los investigadores alimentaron al microscopio con cientos de muestras de glóbulos rojos infectados con malaria preparadas como frotis finos. en el que los cuerpos celulares permanecen completos e idealmente se distribuyen en una sola capa en un portaobjetos de microscopio. Usando un tipo de algoritmo de aprendizaje automático llamado red neuronal convolucional, el microscopio aprendió qué características de la muestra eran más importantes para diagnosticar la malaria y cuál era la mejor manera de resaltar esas características.

El algoritmo finalmente aterrizó en un patrón de LED en forma de anillo de diferentes colores provenientes de ángulos relativamente altos. Si bien las imágenes resultantes son más ruidosas que una imagen de microscopio normal, destacan el parásito de la malaria en un punto brillante y se clasifican correctamente alrededor del 90 por ciento de las veces. Los médicos capacitados y otros algoritmos de aprendizaje automático generalmente funcionan con aproximadamente un 75 por ciento de precisión.

"Los patrones que está seleccionando son similares a anillos con diferentes colores que no son uniformes y no son necesariamente obvios, ", dijo Horstmeyer." Aunque las imágenes son más tenues y ruidosas de lo que crearía un médico, el algoritmo dice que vivirá con el ruido, solo quiere resaltar el parásito para ayudarlo a hacer un diagnóstico ".

Luego, Horstmeyer envió el patrón de LED y el algoritmo de clasificación al laboratorio de otro colaborador en todo el mundo para ver si los resultados se podían traducir a diferentes configuraciones de microscopios. El otro laboratorio mostró éxitos similares.

"Los médicos tienen que examinar miles de células para encontrar un solo parásito de la malaria, ", dijo Horstmeyer." Y debido a que tienen que hacer zoom tan de cerca, solo pueden mirar tal vez una docena a la vez, por lo que leer una diapositiva tarda unos 10 minutos. Si solo tuvieran que mirar un puñado de células que nuestro microscopio ya ha detectado en cuestión de segundos, aceleraría enormemente el proceso ".

Los investigadores también demostraron que el microscopio funciona bien con preparaciones de frotis de sangre espesos, en el que los glóbulos rojos forman un fondo muy no uniforme y pueden romperse. Para esta preparación, el algoritmo de aprendizaje automático tuvo éxito el 99 por ciento de las veces.

Según Horstmeyer, Se espera una precisión mejorada porque los frotis gruesos probados estaban más teñidos que los frotis finos y exhibían un mayor contraste. Pero también tardan más en prepararse, y parte de la motivación detrás del proyecto es reducir los tiempos de diagnóstico en entornos de bajos recursos donde los médicos capacitados son escasos y los cuellos de botella son la norma.

Con este éxito inicial en la mano, Horstmeyer continúa desarrollando tanto el microscopio como el algoritmo de aprendizaje automático.

Un grupo de estudiantes graduados de ingeniería de Duke ha formado una empresa emergente SafineAI para miniaturizar el concepto de microscopio LED reconfigurable, que ya ha ganado $ 120, 000 premio en un concurso de campo local.

Mientras tanto, Horstmeyer está trabajando con un algoritmo de aprendizaje automático diferente para crear una versión del microscopio que pueda ajustar su patrón de LED a cualquier diapositiva específica que esté tratando de leer.

"Básicamente, estamos tratando de aportar algo de inteligencia al proceso de adquisición de imágenes, ", dijo Horstmeyer." Queremos que el microscopio utilice todos sus grados de libertad. Entonces, en lugar de simplemente tomar imágenes tontamente, puede jugar con el enfoque y la iluminación para intentar tener una mejor idea de lo que hay en la diapositiva, como lo haría un humano ".