Tecno

Sguardo veloce sotto la pelle

Grazie all’intelligenza artificiale, il software AIMOS è in grado di riconoscere ossa e organi su immagini tridimensionali in scala di grigi e segmentarli, il che rende notevolmente più agevole la successiva valutazione.

Le tecniche di imaging consentono uno sguardo dettagliato all’interno di un organismo. Ma l’interpretazione dei dati richiede molto tempo e molta esperienza. Le reti neurali artificiali aprono nuove possibilità: richiedono solo pochi secondi per interpretare le scansioni del corpo intero dei topi e per segmentare e raffigurare gli organi in colori, invece che in varie tonalità di grigio. Ciò facilita notevolmente l’analisi.

Quanto è grande il fegato? Cambia se si prendono farmaci? Il rene è infiammato? C’è un tumore al cervello e si sono già sviluppate metastasi? Per rispondere a tali domande, fino ad oggi bioscienziati e medici hanno dovuto vagliare e interpretare una grande quantità di dati.

“L’analisi dei processi di imaging tridimensionale è molto complicata”, spiega Oliver Schoppe. Insieme a un team di ricerca interdisciplinare, il ricercatore TUM ha ora sviluppato algoritmi di autoapprendimento per aiutare in futuro ad analizzare i dati delle immagini bioscientifiche.

Al centro del software AIMOS – l’abbreviazione sta per Segmentazione degli organi del topo basata sull’intelligenza artificiale – sono reti neurali artificiali che, come il cervello umano, sono in grado di apprendere. “Prima dovevi dire ai programmi per computer esattamente cosa volevi che facessero”, dice Schoppe. “Le reti neurali non hanno bisogno di tali istruzioni:” È sufficiente addestrarle presentando un problema e una soluzione più volte. A poco a poco, gli algoritmi iniziano a riconoscere i modelli rilevanti e sono in grado di trovare da soli le giuste soluzioni “.

Formazione di algoritmi di autoapprendimento

Nel progetto AIMOS, gli algoritmi sono stati addestrati con l’aiuto di immagini di topi. L’obiettivo era assegnare i punti dell’immagine dalla scansione 3D dell’intero corpo a organi specifici, come stomaco, reni, fegato, milza o cervello. Sulla base di questa assegnazione, il programma può quindi mostrare la posizione e la forma esatte.

“Abbiamo avuto la fortuna di avere accesso a diverse centinaia di immagini di topi da un diverso progetto di ricerca, che erano già state tutte interpretate da due biologi”, ricorda Schoppe. Il team ha anche avuto accesso alle scansioni 3D microscopiche a fluorescenza dell’Istituto di ingegneria dei tessuti e medicina rigenerativa dell’Helmholtz Zentrum München.

Il primo autore dello studio Oliver Schoppe nel Center for Translational Cancer Research presso l’Università Tecnica di Monaco.

Attraverso una tecnica speciale, i ricercatori sono stati in grado di rimuovere completamente il colorante dai topi che erano già deceduti. I corpi trasparenti potrebbero essere ripresi con un microscopio passo dopo passo e strato per strato. Le distanze tra i punti di misurazione erano di soli sei micrometri, il che equivale alle dimensioni di una cella. I biologi avevano anche localizzato gli organi in questi set di dati.

L’intelligenza artificiale migliora la precisione

Al TranslaTUM i tecnici dell’informazione hanno presentato i dati ai loro nuovi algoritmi. E questi hanno imparato più velocemente del previsto, riferisce Schoppe: “Avevamo solo bisogno di una decina di scansioni di tutto il corpo prima che il software fosse in grado di analizzare con successo i dati dell’immagine da solo – e nel giro di pochi secondi. Ci vuole ore umane per farlo . “

Il team ha quindi verificato l’affidabilità dell’intelligenza artificiale con l’aiuto di 200 ulteriori scansioni di topi su tutto il corpo. “Il risultato mostra che gli algoritmi di autoapprendimento non sono solo più veloci nell’analisi dei dati di immagini biologiche rispetto agli esseri umani, ma anche più accurati”, riassume il professor Bjoern Menze, capo del gruppo di modellazione biomedica basata sull’immagine presso TranslaTUM presso l’Università tecnica di Monaco .

Il software intelligente verrà utilizzato in futuro, in particolare nella ricerca di base: “Le immagini dei topi sono vitali, ad esempio, per studiare gli effetti di nuovi farmaci prima che vengano somministrati agli esseri umani. Utilizzare algoritmi di autoapprendimento per analizzare i dati delle immagini in il futuro farà risparmiare molto tempo in futuro “, sottolinea Menze.

###

La ricerca è stata condotta presso TranslaTUM, il Center for Translational Cancer Research, presso l’Università Tecnica di Monaco. L’istituto fa parte del TUM University Hospital rechts der Isar ed è specializzato nel trasferimento delle intuizioni della ricerca sul cancro a servizi pratici per i pazienti attraverso la cooperazione interdisciplinare. Durante l’utilizzo della nuova microscopia 3D, gli scienziati del TUM hanno lavorato a stretto contatto con gli esperti dell’Helmholtz Zentrum München.

Il progetto di ricerca è stato finanziato dal Ministero federale tedesco dell’Istruzione e della ricerca (BMBF) nell’ambito della Software Campus Initiative, la Deutsche Forschungsgemeinschaft (DFG) tramite il cluster di eccellenza Munich Cluster for Systems Neurology (SyNergy), nonché un borsa di ricerca e dall’Istituto TUM per studi avanzati finanziati dall’iniziativa di eccellenza tedesca e dall’Unione europea. La ricerca è stata finanziata anche dalla Fondazione Fritz Thyssen. NVIDIA ha supportato il lavoro del GPU Grant Program.

Pubblicazione:

Oliver Schoppe, Chenchen Pan, Javier Coronel, Hongcheng Mai, Zhouyi Rong, Mihail Ivilinov Todorov, Annemarie Müskes, Fernando Navarro, Hongwei Li, Ali Ertürk, Bjoern H.Menze La
segmentazione multi-organo abilitata per l’apprendimento profondo nel topo di tutto il corpo scansionandolo
Nature Communications , 6.11.2020 – DOI: 10.1038 / s41467-020-19449-7

Rispondi

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.