Los ingenieros de la Universidad de Duke han desarrollado un microscopio que adapta sus ángulos de iluminación, colores y patrones mientras se enseña la configuración óptima necesaria para completar una tarea de diagnóstico determinada.
En el estudio inicial de prueba de concepto, el microscopio desarrolló simultáneamente un patrón de iluminación y un sistema de clasificación que le permitió identificar rápidamente los glóbulos rojos infectados por el parásito de la malaria con mayor precisión que los médicos capacitados y otros enfoques de aprendizaje automático.
En lugar de difundir luz blanca desde abajo para iluminar uniformemente la diapositiva, los ingenieros desarrollaron una fuente de luz en forma de cuenco con LED integrados en toda su superficie. Esto permite que las muestras se iluminen desde diferentes ángulos hasta casi 90 grados con diferentes colores, lo que esencialmente proyecta sombras y resalta diferentes características de la muestra dependiendo del patrón de los LED utilizados.
El microscopio desarrolló simultáneamente un patrón de iluminación y un sistema de clasificación que le permitió identificar rápidamente los glóbulos rojos infectados por el parásito de la malaria
Luego, los investigadores alimentaron al microscopio con cientos de muestras de glóbulos rojos infectados con malaria preparados como frotis delgados, en los que los cuerpos celulares permanecen enteros e idealmente se extienden en una sola capa en un portaobjetos de microscopio. Utilizando un tipo de algoritmo de aprendizaje automático llamado red neuronal convolucional, el microscopio aprendió qué características de la muestra eran más importantes para diagnosticar la malaria y la mejor manera de resaltarlas.
El algoritmo finalmente aterrizó en un patrón LED en forma de anillo de diferentes colores provenientes de ángulos relativamente altos. Si bien las imágenes resultantes son más ruidosas que una imagen de microscopio normal, destacan el parásito de la malaria en un punto brillante y se clasifican correctamente alrededor del 90 por ciento de las veces. Los médicos capacitados y otros algoritmos de aprendizaje automático generalmente funcionan con una precisión de aproximadamente el 75%.
MEJORA DE LA PRECISIÓN
Después enviaron el patrón de LED y el algoritmo de clasificación al laboratorio de otro colaborador en todo el mundo para ver si los resultados eran traducibles a diferentes configuraciones de microscopio. El otro laboratorio mostró éxitos similares.
Los investigadores también demostraron que el microscopio funciona bien con preparaciones espesas de frotis de sangre, en las cuales los glóbulos rojos forman un fondo altamente no uniforme y pueden romperse. Para esta preparación, el algoritmo de aprendizaje automático tuvo éxito el 99% del tiempo.
Según Horstmeyer, se espera una precisión mejorada porque los frotis gruesos probados estaban más manchados que los frotis delgados y exhibían un mayor contraste. Pero también tardan más en prepararse, y parte de la motivación detrás del proyecto es reducir los tiempos de diagnóstico en entornos de bajos recursos donde los médicos capacitados son escasos y los cuellos de botella son la norma. Con este éxito inicial en la mano, Horstmeyer continúa desarrollando tanto el microscopio como el algoritmo de aprendizaje automático.