Les ingénieurs de l'Université Duke ont développé un microscope qui adapte ses angles d'éclairage, couleurs et motifs tout en apprenant les paramètres optimaux nécessaires pour effectuer une tâche de diagnostic donnée.

Dans l'étude initiale de validation de principe, le microscope a simultanément développé un modèle d'éclairage et un système de classification qui lui ont permis d'identifier rapidement les globules rouges infectés par le parasite du paludisme avec plus de précision que les médecins qualifiés et d'autres approches d'apprentissage automatique.

Les résultats paraissent en ligne le 19 novembre dans la revue Optique Biomédicale Express .

"Un microscope standard éclaire un échantillon avec la même quantité de lumière provenant de toutes les directions, et que l'éclairage a été optimisé pour les yeux humains sur des centaines d'années, " dit Roarke Horstmeyer, professeur adjoint de génie biomédical à Duke.

"Mais les ordinateurs peuvent voir des choses que les humains ne peuvent pas voir, " a déclaré Hortmeyer. " Nous avons donc non seulement repensé le matériel pour fournir une gamme diversifiée d'options d'éclairage, nous avons permis au microscope d'optimiser l'éclairage pour lui-même."

Plutôt que de diffuser une lumière blanche par le bas pour éclairer uniformément la diapositive, les ingénieurs ont développé une source lumineuse en forme de bol avec des LED intégrées sur toute sa surface. Cela permet aux échantillons d'être éclairés sous différents angles jusqu'à près de 90 degrés avec différentes couleurs, qui projette essentiellement des ombres et met en évidence différentes caractéristiques de l'échantillon en fonction du motif de LED utilisé.

Les chercheurs ont ensuite alimenté au microscope des centaines d'échantillons de globules rouges infectés par le paludisme préparés sous forme de frottis minces, dans lequel les corps cellulaires restent entiers et sont idéalement étalés en une seule couche sur une lame de microscope. En utilisant un type d'algorithme d'apprentissage automatique appelé réseau de neurones convolutifs, le microscope a appris quelles caractéristiques de l'échantillon étaient les plus importantes pour le diagnostic du paludisme et la meilleure façon de mettre en évidence ces caractéristiques.

L'algorithme a finalement atterri sur un motif LED en forme d'anneau de différentes couleurs provenant d'angles relativement élevés. Alors que les images résultantes sont plus bruyantes qu'une image de microscope ordinaire, ils mettent en évidence le parasite du paludisme dans un point lumineux et sont correctement classés environ 90 pour cent du temps. Les médecins formés et d'autres algorithmes d'apprentissage automatique fonctionnent généralement avec une précision d'environ 75 %.

"Les motifs qu'il sélectionne ressemblent à des anneaux avec des couleurs différentes qui ne sont pas uniformes et ne sont pas nécessairement évidentes, " a déclaré Horstmeyer. " Même si les images sont plus sombres et plus bruyantes que ce qu'un clinicien créerait, l'algorithme dit qu'il vivra avec le bruit, il veut juste vraiment que le parasite soit mis en évidence pour l'aider à poser un diagnostic."

Horstmeyer a ensuite envoyé le motif LED et l'algorithme de tri au laboratoire d'un autre collaborateur à travers le monde pour voir si les résultats étaient transposables à différentes configurations de microscope. L'autre laboratoire a connu des succès similaires.

« Les médecins doivent examiner un millier de cellules pour trouver un seul parasite du paludisme, " dit Horstmeyer. " Et parce qu'ils doivent zoomer de si près, ils ne peuvent en regarder qu'une douzaine à la fois, et ainsi lire une diapositive prend environ 10 minutes. S'ils n'avaient qu'à regarder une poignée de cellules que notre microscope a déjà repérées en quelques secondes, cela accélérerait grandement le processus."

Les chercheurs ont également montré que le microscope fonctionne bien avec des préparations de frottis sanguins épais, dans lequel les globules rouges forment un fond très hétérogène et peuvent se séparer. Pour cette préparation, l'algorithme d'apprentissage automatique a réussi 99 % du temps.

Selon Horstmeyer, l'amélioration de la précision est attendue car les frottis épais testés étaient plus fortement colorés que les frottis fins et présentaient un contraste plus élevé. Mais ils sont aussi plus longs à préparer, et une partie de la motivation derrière le projet est de réduire les temps de diagnostic dans les milieux à faibles ressources où les médecins formés sont rares et les goulots d'étranglement sont la norme.

Fort de ce premier succès en main, Horstmeyer continue de développer à la fois le microscope et l'algorithme d'apprentissage automatique.

Un groupe d'étudiants diplômés en ingénierie de Duke a formé une start-up SafineAI pour miniaturiser le concept de microscope LED reconfigurable, qui a déjà gagné 120 $, 000 prix lors d'un concours de pitch local.

Pendant ce temps, Horstmeyer travaille avec un algorithme d'apprentissage automatique différent pour créer une version du microscope qui peut ajuster son motif LED à n'importe quelle lame spécifique qu'il essaie de lire.

« Nous essayons essentiellement de faire participer certains cerveaux au processus d'acquisition d'images, " a déclaré Horstmeyer. "Nous voulons que le microscope utilise tous ses degrés de liberté. Alors au lieu de simplement prendre des images bêtement, il peut jouer avec la mise au point et l'éclairage pour essayer d'avoir une meilleure idée de ce qu'il y a sur la diapositive, tout comme un humain le ferait."