Onderzoekers van UCLA en NantWorks hebben een door kunstmatige intelligentie aangedreven apparaat ontwikkeld dat kankercellen in enkele milliseconden detecteert - honderden keren sneller dan eerdere methoden. Met die snelheid de uitvinding zou het mogelijk kunnen maken om kankercellen direct na detectie uit het bloed te extraheren, wat op zijn beurt kan helpen voorkomen dat de ziekte zich in het lichaam verspreidt.

Een paper over het voorschot werd gepubliceerd in het tijdschrift Natuurwetenschappelijke rapporten .

De aanpak is gebaseerd op twee kerntechnologieën:deep learning en photonic time stretch. Deep learning is een vorm van machine learning, een kunstmatige-intelligentietechniek waarbij algoritmen worden "getraind" om taken uit te voeren met behulp van grote hoeveelheden gegevens. Bij diep leren, algoritmen die neurale netwerken worden genoemd, zijn gemodelleerd naar hoe het menselijk brein werkt. In vergelijking met andere vormen van machine learning, deep learning is vooral effectief gebleken voor het herkennen en genereren van afbeeldingen, toespraak, muziek en video's.

Photonic time stretch is een ultrasnelle meettechnologie die is uitgevonden aan de UCLA. Fotonische tijdsrekinstrumenten gebruiken ultrakorte laserbursts om biljoenen datapunten per seconde vast te leggen. meer dan 1, 000 keer sneller dan de snelste microprocessors van vandaag. De technologie heeft wetenschappers geholpen zeldzame verschijnselen in de laserfysica te ontdekken en nieuwe soorten biomedische instrumenten voor 3D-microscopie uit te vinden, spectroscopie en andere toepassingen.

"Vanwege de extreme hoeveelheid kostbare gegevens die ze genereren, time-stretch instrumenten en deep learning zijn een match made in heaven, " zei senior auteur Bahram Jalali, een UCLA-hoogleraar elektrische en computertechniek aan de UCLA Samueli School of Engineering en een lid van het California NanoSystems Institute aan de UCLA.

Het systeem maakt ook gebruik van een technologie die beeldvormingsflowcytometrie wordt genoemd. Cytometrie is de wetenschap van het meten van celkenmerken; in beeldvormingsflowcytometrie, die metingen worden verkregen door een laser te gebruiken om één voor één afbeeldingen van de cellen te maken terwijl ze door een dragervloeistof stromen. Hoewel er al technieken zijn voor het categoriseren van cellen in beeldvormingsflowcytometrie, De verwerkingsstappen van die technieken verlopen zo langzaam dat apparaten geen tijd hebben om cellen fysiek van elkaar te scheiden.

Voortbouwend op hun eerdere werk, Jalali en zijn collega's ontwikkelden een deep learning-pijplijn die dat probleem oplost door direct te werken op de lasersignalen die deel uitmaken van het imaging-flowcytometrieproces. waardoor de tijdrovende verwerkingsstappen van andere technieken worden geëlimineerd.

"We hebben het ontwerp van het diepe neurale netwerk geoptimaliseerd om de grote hoeveelheden gegevens te verwerken die zijn gecreëerd door onze time-stretch imaging flowcytometer - waardoor de prestaties van zowel de software als het instrument zijn verbeterd, " zei Yueqin Li, een gastdoctoraalstudent en de eerste auteur van de paper.

Ata Mahjoubfar, een UCLA postdoctoraal onderzoeker en een co-auteur van het artikel, zei dat de techniek het instrument in staat stelt om vrijwel onmiddellijk te bepalen of een cel kankerachtig is.

"We hoeven geen biofysische parameters van de cellen meer te extraheren, "zei hij. "In plaats daarvan, diepe neurale netwerken analyseren de ruwe data zelf extreem snel."