Des chercheurs de l'UCLA et de NantWorks ont développé un appareil basé sur l'intelligence artificielle qui détecte les cellules cancéreuses en quelques millisecondes, des centaines de fois plus rapidement que les méthodes précédentes. Avec cette vitesse, l'invention pourrait permettre d'extraire des cellules cancéreuses du sang immédiatement après leur détection, ce qui pourrait à son tour aider à empêcher la maladie de se propager dans le corps.

Un article sur l'avancée a été publié dans la revue Rapports scientifiques sur la nature .

L'approche repose sur deux technologies de base :l'apprentissage en profondeur et l'étirement temporel photonique. L'apprentissage profond est un type d'apprentissage automatique, une technique d'intelligence artificielle dans laquelle les algorithmes sont "entraînés" pour effectuer des tâches utilisant de gros volumes de données. En apprentissage profond, les algorithmes appelés réseaux de neurones sont modelés sur le fonctionnement du cerveau humain. Par rapport à d'autres types d'apprentissage automatique, le deep learning s'est avéré particulièrement efficace pour reconnaître et générer des images, discours, musique et vidéos.

L'étirement temporel photonique est une technologie de mesure ultrarapide qui a été inventée à l'UCLA. Les instruments photoniques à étirement temporel utilisent des rafales laser ultracourtes pour capturer des milliards de points de données par seconde, plus de 1, 000 fois plus rapide que les microprocesseurs les plus rapides d'aujourd'hui. La technologie a aidé les scientifiques à découvrir des phénomènes rares en physique des lasers et à inventer de nouveaux types d'instruments biomédicaux pour la microscopie 3D, spectroscopie et autres applications.

"En raison du volume extrême de données précieuses qu'ils génèrent, les instruments time-stretch et l'apprentissage en profondeur sont un mariage parfait, " a déclaré l'auteur principal Bahram Jalali, professeur d'ingénierie électrique et informatique à l'UCLA à la Samueli School of Engineering de l'UCLA et membre du California NanoSystems Institute de l'UCLA.

Le système utilise également une technologie appelée cytométrie en flux d'imagerie. La cytométrie est la science de la mesure des caractéristiques des cellules; en cytométrie de flux d'imagerie, ces mesures sont obtenues en utilisant un laser pour prendre des images des cellules une par une lorsqu'elles s'écoulent dans un fluide porteur. Bien qu'il existe déjà des techniques pour catégoriser les cellules en cytométrie de flux d'imagerie, les étapes de traitement de ces techniques se déroulent si lentement que les appareils n'ont pas le temps de séparer physiquement les cellules les unes des autres.

En s'appuyant sur leurs travaux antérieurs, Jalali et ses collègues ont développé un pipeline d'apprentissage en profondeur qui résout ce problème en opérant directement sur les signaux laser qui font partie du processus d'imagerie de cytométrie en flux, ce qui élimine les étapes de traitement fastidieuses d'autres techniques.

« Nous avons optimisé la conception du réseau de neurones profonds pour gérer les grandes quantités de données créées par notre cytomètre de flux d'imagerie à extension temporelle, améliorant ainsi les performances du logiciel et de l'instrument, " dit Yueqin Li, doctorant invité et premier auteur de l'article.

Ata Mahjoubfar, chercheur postdoctoral à l'UCLA et co-auteur de l'article, ladite technique permet à l'instrument de déterminer si une cellule est cancéreuse pratiquement instantanément.

"Nous n'avons plus besoin d'extraire les paramètres biophysiques des cellules, " dit-il. " Au lieu de cela, les réseaux de neurones profonds analysent les données brutes elles-mêmes extrêmement rapidement."