Gli ingegneri della Duke University hanno sviluppato un microscopio che adatta i suoi angoli di illuminazione, colori e motivi mentre si autodefinisce le impostazioni ottimali necessarie per completare un determinato compito diagnostico.

Nello studio di proof-of-concept iniziale, il microscopio ha sviluppato contemporaneamente un modello di illuminazione e un sistema di classificazione che gli ha permesso di identificare rapidamente i globuli rossi infettati dal parassita della malaria in modo più accurato rispetto a medici addestrati e altri approcci di apprendimento automatico.

I risultati appaiono online il 19 novembre sulla rivista Ottica biomedica Express .

"Un microscopio standard illumina un campione con la stessa quantità di luce proveniente da tutte le direzioni, e che l'illuminazione è stata ottimizzata per gli occhi umani nel corso di centinaia di anni, " ha detto Roarke Horstmeyer, assistente professore di ingegneria biomedica alla Duke.

"Ma i computer possono vedere cose che gli umani non possono vedere, " ha detto Hortmeyer. "Quindi non solo abbiamo riprogettato l'hardware per fornire una vasta gamma di opzioni di illuminazione, abbiamo permesso al microscopio di ottimizzare l'illuminazione da solo."

Invece di diffondere la luce bianca dal basso per illuminare uniformemente la diapositiva, gli ingegneri hanno sviluppato una sorgente luminosa a forma di ciotola con LED incorporati in tutta la sua superficie. Ciò consente di illuminare i campioni da diverse angolazioni fino a quasi 90 gradi con colori diversi, che essenzialmente proietta ombre ed evidenzia diverse caratteristiche del campione a seconda del pattern dei LED utilizzati.

I ricercatori hanno quindi somministrato al microscopio centinaia di campioni di globuli rossi infetti dalla malaria preparati come strisci sottili, in cui i corpi cellulari rimangono interi e sono idealmente distesi in un unico strato su un vetrino da microscopio. Utilizzando un tipo di algoritmo di apprendimento automatico chiamato rete neurale convoluzionale, il microscopio ha appreso quali caratteristiche del campione erano più importanti per la diagnosi della malaria e il modo migliore per evidenziare tali caratteristiche.

L'algoritmo alla fine è atterrato su un modello di LED a forma di anello di diversi colori provenienti da angoli relativamente alti. Sebbene le immagini risultanti siano più rumorose di una normale immagine al microscopio, evidenziano il parassita della malaria in un punto luminoso e sono classificati correttamente circa il 90% delle volte. Medici qualificati e altri algoritmi di apprendimento automatico in genere funzionano con circa il 75% di precisione.

"I modelli che sta individuando sono ad anello con colori diversi che non sono uniformi e non sono necessariamente ovvi, " ha detto Horstmeyer. "Anche se le immagini sono più scure e più rumorose di quanto creerebbe un medico, l'algoritmo dice che vivrà con il rumore, vuole solo evidenziare il parassita per aiutarlo a fare una diagnosi".

Horstmeyer ha quindi inviato il modello LED e l'algoritmo di ordinamento al laboratorio di un altro collaboratore in tutto il mondo per vedere se i risultati erano traducibili in diverse configurazioni del microscopio. L'altro laboratorio ha mostrato successi simili.

"I medici devono esaminare mille cellule per trovare un singolo parassita della malaria, " disse Horstmeyer. "E poiché devono zoomare così da vicino, possono solo guardarne forse una dozzina alla volta, e quindi la lettura di una diapositiva richiede circa 10 minuti. Se dovessero guardare solo una manciata di cellule che il nostro microscopio ha già individuato in pochi secondi, accelererebbe notevolmente il processo".

I ricercatori hanno anche dimostrato che il microscopio funziona bene con preparazioni di strisci di sangue denso, in cui i globuli rossi formano uno sfondo altamente non uniforme e possono rompersi. Per questa preparazione, l'algoritmo di apprendimento automatico ha avuto successo il 99% delle volte.

Secondo Horstmeyer, ci si aspetta una migliore precisione perché gli strisci spessi testati erano più macchiati rispetto agli strisci sottili e mostravano un contrasto più elevato. Ma richiedono anche più tempo per prepararsi, e parte della motivazione alla base del progetto è ridurre i tempi di diagnosi in contesti con poche risorse, dove i medici qualificati sono scarsi ei colli di bottiglia sono la norma.

Con questo successo iniziale in mano, Horstmeyer sta continuando a sviluppare sia il microscopio che l'algoritmo di apprendimento automatico.

Un gruppo di studenti laureati in ingegneria della Duke ha formato una società di avvio SafineAI per miniaturizzare il concetto di microscopio a LED riconfigurabile, che ha già guadagnato $ 120, 000 premio in una competizione campale locale.

Nel frattempo, Horstmeyer sta lavorando con un diverso algoritmo di apprendimento automatico per creare una versione del microscopio in grado di adattare il suo schema LED a qualsiasi diapositiva specifica che sta cercando di leggere.

"Fondamentalmente stiamo cercando di inserire un po' di cervello nel processo di acquisizione delle immagini, " ha detto Horstmeyer. "Vogliamo che il microscopio utilizzi tutti i suoi gradi di libertà. Quindi, invece di scattare stupidamente immagini, può giocare con la messa a fuoco e l'illuminazione per cercare di avere un'idea migliore di cosa c'è sulla diapositiva, proprio come farebbe un essere umano."