p Engenheiros da Duke University desenvolveram um microscópio que adapta seus ângulos de iluminação, cores e padrões enquanto ensina a si mesmo as configurações ideais necessárias para concluir uma determinada tarefa de diagnóstico. p No estudo inicial de prova de conceito, o microscópio desenvolveu simultaneamente um padrão de iluminação e um sistema de classificação que permitiu identificar rapidamente os glóbulos vermelhos infectados pelo parasita da malária com mais precisão do que médicos treinados e outras abordagens de aprendizado de máquina.

p Os resultados aparecem online no dia 19 de novembro no jornal Biomedical Optics Express .

p "Um microscópio padrão ilumina uma amostra com a mesma quantidade de luz vinda de todas as direções, e essa iluminação foi otimizada para olhos humanos ao longo de centenas de anos, "disse Roarke Horstmeyer, professor assistente de engenharia biomédica na Duke.

p "Mas os computadores podem ver coisas que os humanos não podem, "Hortmeyer disse." Portanto, não apenas redesenhamos o hardware para fornecer uma gama diversificada de opções de iluminação, permitimos que o microscópio otimizasse a iluminação por si mesmo. "

p Em vez de difundir a luz branca de baixo para iluminar uniformemente o slide, os engenheiros desenvolveram uma fonte de luz em forma de tigela com LEDs embutidos em sua superfície. Isso permite que as amostras sejam iluminadas de ângulos diferentes até quase 90 graus com cores diferentes, que essencialmente projeta sombras e destaca diferentes recursos da amostra, dependendo do padrão de LEDs usados.

p Os pesquisadores então alimentaram o microscópio com centenas de amostras de glóbulos vermelhos infectados com malária, preparadas como esfregaços finos, em que os corpos celulares permanecem inteiros e são idealmente espalhados em uma única camada em uma lâmina de microscópio. Usando um tipo de algoritmo de aprendizado de máquina chamado rede neural convolucional, o microscópio aprendeu quais características da amostra eram mais importantes para o diagnóstico da malária e como melhor destacá-las.

p O algoritmo acabou pousando em um padrão de LED em forma de anel de cores diferentes provenientes de ângulos relativamente altos. Embora as imagens resultantes sejam mais ruidosas do que uma imagem normal de microscópio, eles destacam o parasita da malária em um ponto brilhante e são classificados corretamente cerca de 90% das vezes. Médicos treinados e outros algoritmos de aprendizado de máquina normalmente funcionam com cerca de 75 por cento de precisão.

p "Os padrões que ele seleciona são semelhantes a anéis com cores diferentes que não são uniformes e não são necessariamente óbvios, "disse Horstmeyer." Mesmo que as imagens sejam mais turvas e ruidosas do que o que um clínico criaria, o algoritmo está dizendo que viverá com o ruído, ele realmente quer destacar o parasita para ajudá-lo a fazer um diagnóstico. "

p Horstmeyer então enviou o padrão de LED e o algoritmo de classificação para o laboratório de outro colaborador em todo o mundo para ver se os resultados podiam ser traduzidos para diferentes configurações de microscópio. O outro laboratório mostrou sucessos semelhantes.

p "Os médicos precisam examinar milhares de células para encontrar um único parasita da malária, "disse Horstmeyer." E porque eles têm que aproximar tanto, eles só podem olhar para uma dúzia de cada vez, portanto, a leitura de um slide leva cerca de 10 minutos. Se eles tivessem que olhar para um punhado de células que nosso microscópio já detectou em questão de segundos, isso aceleraria muito o processo. "

p Os pesquisadores também mostraram que o microscópio funciona bem com preparações de esfregaço de sangue espessas, em que os glóbulos vermelhos formam um fundo altamente não uniforme e podem ser quebrados. Para esta preparação, o algoritmo de aprendizado de máquina foi bem-sucedido em 99% das vezes.

p De acordo com Horstmeyer, a precisão melhorada é esperada porque os esfregaços espessos testados foram mais fortemente corados do que os esfregaços finos e exibiram maior contraste. Mas eles também demoram mais para se preparar, e parte da motivação por trás do projeto é reduzir o tempo de diagnóstico em ambientes com poucos recursos, onde médicos treinados são escassos e os gargalos são a norma.

p Com este sucesso inicial em mãos, Horstmeyer continua a desenvolver o microscópio e o algoritmo de aprendizado de máquina.

p Um grupo de estudantes de graduação em engenharia da Duke formou uma empresa startup SafineAI para miniaturizar o conceito de microscópio LED reconfigurável, que já rendeu $ 120, Prêmio 000 em uma competição local.

p Enquanto isso, Horstmeyer está trabalhando com um algoritmo de aprendizado de máquina diferente para criar uma versão do microscópio que pode ajustar seu padrão de LED a qualquer slide específico que esteja tentando ler.

p "Estamos basicamente tentando transmitir alguns cérebros ao processo de aquisição de imagens, "disse Horstmeyer." Queremos que o microscópio use todos os seus graus de liberdade. Então, em vez de apenas tirar fotos estupidamente, pode brincar com o foco e a iluminação para tentar ter uma ideia melhor do que está no slide, assim como um humano faria. "