La generazione di immagini molecolari complete di organi e tumori negli organismi viventi può essere eseguita a velocità ultraveloce utilizzando un nuovo approccio di deep learning alla ricostruzione delle immagini sviluppato dai ricercatori del Rensselaer Polytechnic Institute.

La nuova tecnica del team di ricerca ha il potenziale per migliorare notevolmente la qualità e la velocità dell'imaging in soggetti vivi ed è stata al centro di un articolo recentemente pubblicato su Luce:scienza e applicazioni , un diario della natura.

L'imaging basato sul rilevamento compresso è una tecnica di elaborazione del segnale che può essere utilizzata per creare immagini basate su un insieme limitato di misurazioni puntuali. Recentemente, un team di ricerca di Rensselaer ha proposto un nuovo approccio strumentale per sfruttare questa metodologia per acquisire set di dati molecolari completi, come riportato in Fotonica della natura . Mentre quell'approccio produceva immagini più complete, l'elaborazione dei dati e la creazione di un'immagine potrebbero richiedere ore.

Quest'ultima metodologia sviluppata da Rensselaer si basa sul progresso precedente e ha il potenziale per produrre immagini in tempo reale, migliorando anche la qualità e l'utilità delle immagini prodotte. Ciò potrebbe facilitare lo sviluppo di farmaci personalizzati, migliorare la diagnostica clinica, o identificare il tessuto da asportare.

Oltre a fornire una panoramica complessiva del tema in esame, compresi gli organi o i tumori che i ricercatori hanno mirato visivamente con l'aiuto della fluorescenza, questo processo di imaging può rivelare informazioni sulla corretta somministrazione intracellulare di farmaci misurando il tasso di decadimento della fluorescenza.

Per consentire la visualizzazione quasi in tempo reale degli eventi molecolari, il team di ricerca ha sfruttato gli ultimi sviluppi nell'intelligenza artificiale. La ricostruzione dell'immagine notevolmente migliorata viene realizzata utilizzando un approccio di deep learning. Il deep learning è un insieme complesso di algoritmi progettati per insegnare a un computer a riconoscere e classificare i dati. Nello specifico, questo team ha sviluppato un'architettura di rete neurale convoluzionale che i ricercatori di Rensselaer chiamano Net-FLICS, che sta per imaging a vita in fluorescenza con rilevamento compresso.

"Questa tecnica è molto promettente per ottenere una diagnosi e un trattamento più accurati, " disse Pingkun Yan, condirettore del Centro di imaging biomedico di Rensselaer. "Questa tecnologia può aiutare un medico a visualizzare meglio dove si trova un tumore e la sua dimensione esatta. Possono quindi tagliare con precisione il tumore invece di tagliare una parte più grande e risparmiare il sano, tessuto normale."

Yan ha sviluppato questo approccio con l'autore corrispondente Xavier Intes, l'altro condirettore del Centro di imaging biomedico di Rensselaer, che fa parte del Rensselaer Center for Biotechnology and Interdisciplinary Studies. I dottorandi Marien Ochoa e Ruoyang Yao hanno sostenuto la ricerca.

"Alla fine, l'obiettivo è di tradurli in un contesto clinico. Di solito quando si hanno sistemi clinici si vuole essere il più veloci possibile, " disse Ochoa, come ha riflettuto sulla velocità con cui questa nuova tecnica consente ai ricercatori di catturare queste immagini.

È necessario un ulteriore sviluppo prima che questa nuova tecnologia rivoluzionaria possa essere utilizzata in un ambiente clinico. Però, il suo progresso è stato accelerato incorporando dati simulati basati su modelli, una specialità particolare per Intes e il suo laboratorio.

"Per il deep learning di solito è necessaria una grande quantità di dati per l'addestramento, ma per questo sistema non abbiamo ancora quel lusso perché è un sistema molto nuovo, " ha detto Yan.

Ha affermato che la ricerca del team mostra anche che la modellazione può essere utilizzata in modo innovativo nell'imaging, estendendo accuratamente il modello ai dati sperimentali reali.