Ingenieurs van Duke University hebben een microscoop ontwikkeld die de belichtingshoeken aanpast, kleuren en patronen terwijl hij zichzelf de optimale instellingen aanleert die nodig zijn om een ​​bepaalde diagnostische taak uit te voeren.

In de eerste proof-of-concept-studie, de microscoop ontwikkelde tegelijkertijd een verlichtingspatroon en classificatiesysteem waarmee het snel rode bloedcellen kon identificeren die door de malariaparasiet waren geïnfecteerd, nauwkeuriger dan getrainde artsen en andere machine learning-benaderingen.

De resultaten verschijnen op 19 november online in het tijdschrift Biomedische Optica Express .

"Een standaardmicroscoop belicht een monster met dezelfde hoeveelheid licht uit alle richtingen, en dat verlichting gedurende honderden jaren is geoptimaliseerd voor menselijke ogen, " zei Roarke Horstmeyer, assistent-professor biomedische technologie aan Duke.

"Maar computers kunnen dingen zien die mensen niet kunnen zien, "We hebben dus niet alleen de hardware opnieuw ontworpen om een ​​breed scala aan verlichtingsopties te bieden, we hebben de microscoop de verlichting voor zichzelf laten optimaliseren."

In plaats van wit licht van onderaf te verspreiden om de dia gelijkmatig te verlichten, de ingenieurs ontwikkelden een komvormige lichtbron met LED's die over het hele oppervlak zijn ingebed. Hierdoor kunnen monsters worden verlicht vanuit verschillende hoeken tot bijna 90 graden met verschillende kleuren, die in wezen schaduwen werpt en verschillende kenmerken van het monster benadrukt, afhankelijk van het patroon van de gebruikte LED's.

De onderzoekers voerden vervolgens de microscoop honderden monsters van met malaria geïnfecteerde rode bloedcellen, bereid als dunne uitstrijkjes, waarin de cellichamen heel blijven en idealiter in een enkele laag op een microscoopglaasje worden uitgespreid. Met behulp van een soort machine learning-algoritme, een convolutioneel neuraal netwerk genaamd, de microscoop leerde welke kenmerken van het monster het belangrijkst waren voor de diagnose van malaria en hoe die kenmerken het beste konden worden benadrukt.

Het algoritme belandde uiteindelijk op een ringvormig LED-patroon van verschillende kleuren vanuit relatief hoge hoeken. Hoewel de resulterende beelden luidruchtiger zijn dan een normaal microscoopbeeld, ze markeren de malariaparasiet op een lichtpuntje en worden ongeveer 90 procent van de tijd correct geclassificeerd. Opgeleide artsen en andere algoritmen voor machine learning werken doorgaans met een nauwkeurigheid van ongeveer 75 procent.

"De patronen die het uitzoekt, zijn ringachtig met verschillende kleuren die niet-uniform zijn en niet per se voor de hand liggend, " zei Horstmeyer. "Hoewel de beelden zwakker en luidruchtiger zijn dan wat een arts zou creëren, het algoritme zegt dat het zal leven met de ruis, het wil gewoon dat de parasiet wordt gemarkeerd om hem te helpen een diagnose te stellen."

Horstmeyer stuurde vervolgens het LED-patroon en het sorteeralgoritme naar het laboratorium van een andere medewerker over de hele wereld om te zien of de resultaten vertaald konden worden naar verschillende microscoopopstellingen. Het andere laboratorium liet vergelijkbare successen zien.

"Artsen moeten door duizend cellen kijken om een ​​enkele malariaparasiet te vinden, "zei Horstmeyer. "En omdat ze zo dichtbij moeten inzoomen, ze kunnen er maar een dozijn tegelijk bekijken, en dus duurt het lezen van een dia ongeveer 10 minuten. Als ze maar naar een handvol cellen hoefden te kijken die onze microscoop in een kwestie van seconden al heeft uitgezocht, het zou het proces enorm versnellen."

De onderzoekers toonden ook aan dat de microscoop goed werkt bij dikke bloeduitstrijkjes, waarin de rode bloedcellen een zeer ongelijkmatige achtergrond vormen en uiteen kunnen vallen. Voor deze voorbereiding is het machine learning-algoritme was 99 procent van de tijd succesvol.

Volgens Horstmeyer de verbeterde nauwkeurigheid wordt verwacht omdat de geteste dikke uitstrijkjes sterker gekleurd waren dan de dunne uitstrijkjes en een hoger contrast vertoonden. Maar ze hebben ook meer tijd nodig om voor te bereiden, en een deel van de motivatie achter het project is om de diagnosetijden te verkorten in omgevingen met weinig middelen, waar getrainde artsen schaars zijn en knelpunten de norm zijn.

Met dit aanvankelijke succes in de hand, Horstmeyer blijft zowel het microscoop- als het machine learning-algoritme ontwikkelen.

Een groep afgestudeerde ingenieurs van Duke heeft een startup-bedrijf SafineAI opgericht om het herconfigureerbare LED-microscoopconcept te miniaturiseren. die al $ 120 heeft verdiend, 000 prijs op een lokale pitchwedstrijd.

In de tussentijd, Horstmeyer werkt met een ander machine learning-algoritme om een ​​versie van de microscoop te maken die het LED-patroon kan aanpassen aan elke specifieke dia die hij probeert te lezen.

"We proberen in feite wat hersens bij te brengen in het beeldacquisitieproces, " zei Horstmeyer. "We willen dat de microscoop al zijn vrijheidsgraden gebruikt. Dus in plaats van domweg foto's te maken, het kan spelen met de focus en verlichting om te proberen een beter idee te krijgen van wat er op de dia staat, net zoals een mens dat zou doen."