Умный микроскоп учится диагностировать инфекционные заболевания
Опытные профессионалы, как правило, работают лучше, чем новички, отчасти потому, что они знают, как использовать инструменты своей профессии более эффективно. Цитологи, которые анализируют клетки под микроскопом, становятся более последовательными и точными, когда они знают, как подготовить свой аппарат для получения четких изображений.
Исследователи из университета Дьюка (США) недавно разработали "умный" микроскоп, позволяющий точно регулировать его параметры, включая угол падения света, цвет и паттерны, для достижения оптимальных результатов при классификации здоровых и зараженных малярией красных кровяных телец. Система разработана с учетом возможностей цифровой камеры, а не человеческого глаза, и поэтому может работать невероятно хорошо.
Ведущий университетский исследователь Роарк Хорстмайер говорит, что cтандартный микроскоп освещает образец одинаковым количеством света со всех сторон, и это освещение было оптимизировано для человеческого глаза в течение многих лет. Но компьютеры могут видеть то, что не могут видеть люди. Таким образом, мы не только изменили конструкцию аппаратного обеспечения для обеспечения широкого диапазона вариантов освещения, но и позволили микроскопу самому оптимизировать освещение для себя.
Алгоритмы компьютерного зрения, которые могут классифицировать клетки, инфицированные паразитом P. falciparum, вызывающим малярию, были разработаны ранее другими исследовательскими группами. Несмотря на свою эффективность, они все еще не имеют постоянной точности, необходимой для клинической диагностики.
В настоящее время исследователи научили компьютерную систему регулировать различные параметры микроскопа и дополнили ее классификационным алгоритмом на базе технологии глубокого обучения, в результате чего она теперь превосходит опытнейших врачей и ранее разработанные автоматизированные системы классификации малярии.
В этой системе формирования изображений используется новый источник света в виде "барабана", освещающий образцы со стороны и снизу. Компьютер может изменять, какие светодиоды в этом светильнике включать или выключать и какие цвета использовать. При "обучении" алгоритма система обработала сотни изображений образцов красных кровяных телец, инфицированных возбудителем малярии, а также изображения здоровых клеток. При этом система использовала различные регулировки освещенности, чтобы определить, какие
настройки лучше всего подходят для классификации клеток. После окончания периода обучения точность системы составляла около 90% по сравнению с 75%, обычно демонстрируемой врачами, и существующими алгоритмами обучения.
По сравнению с традиционным микроскопом, изображения красных кровяных телец, создаваемые новым микроскопом, содержат больше шума, но малярийные паразиты выделяются яркими пятнами в зависимости от условий освещения.
Технология может применяться и для других задач диагностической визуализации, потенциально автоматизируя целые процессы, происходящие в больничных патологических лабораториях.
