Forskare vid UCLA och NantWorks har utvecklat en artificiell intelligens-driven enhet som upptäcker cancerceller på några millisekunder – hundratals gånger snabbare än tidigare metoder. Med den hastigheten, Uppfinningen skulle kunna göra det möjligt att extrahera cancerceller från blod omedelbart efter att de har upptäckts, vilket i sin tur kan hjälpa till att förhindra att sjukdomen sprids i kroppen.

En artikel om förskottet publicerades i tidskriften Naturvetenskapliga rapporter .

Tillvägagångssättet bygger på två kärnteknologier:djupinlärning och fotonisk tidsutsträckning. Deep learning är en typ av maskininlärning, en artificiell intelligensteknik där algoritmer "tränas" för att utföra uppgifter med hjälp av stora datamängder. I djup inlärning, Algoritmer som kallas neurala nätverk är modellerade efter hur den mänskliga hjärnan fungerar. Jämfört med andra typer av maskininlärning, djupinlärning har visat sig vara särskilt effektivt för att känna igen och generera bilder, Tal, musik och videor.

Photonic time stretch är en ultrasnabb mätteknik som uppfanns vid UCLA. Fotoniska tidssträckinstrument använder ultrakorta laserskurar för att fånga biljoner datapunkter per sekund, mer än 1, 000 gånger snabbare än dagens snabbaste mikroprocessorer. Tekniken har hjälpt forskare att upptäcka sällsynta fenomen inom laserfysik och uppfinna nya typer av biomedicinska instrument för 3D-mikroskopi, spektroskopi och andra tillämpningar.

"På grund av den extrema mängden värdefull data de genererar, tidstöjande instrument och djupinlärning är en match made in heaven, " sa seniorförfattaren Bahram Jalali, en UCLA-professor i elektro- och datorteknik vid UCLA Samueli School of Engineering och medlem av California NanoSystems Institute vid UCLA.

Systemet använder också en teknik som kallas avbildningsflödescytometri. Cytometri är vetenskapen om att mäta cellegenskaper; vid avbildning av flödescytometri, dessa mätningar erhålls genom att använda en laser för att ta bilder av cellerna en i taget när de strömmar genom en bärarvätska. Även om det redan finns tekniker för att kategorisera celler i avbildningsflödescytometri, dessa teknikers bearbetningssteg sker så långsamt att enheter inte har tid att fysiskt separera celler från varandra.

Bygger på deras tidigare arbete, Jalali och hans kollegor utvecklade en pipeline för djupinlärning som löser det problemet genom att arbeta direkt på lasersignalerna som är en del av avbildningsprocessen för flödescytometri, vilket eliminerar de tidsintensiva bearbetningsstegen för andra tekniker.

"Vi optimerade designen av det djupa neurala nätverket för att hantera de stora mängder data som skapats av vår tidsutsträckta avbildningsflödescytometer – uppgradering av prestanda för både programvaran och instrumentet, " sa Yueqin Li, en gästande doktorand och tidningens första författare.

Ata Mahjoubfar, en UCLA-postdoktor och en medförfattare till artikeln, sade tekniken tillåter instrumentet att avgöra om en cell är cancerös praktiskt taget omedelbart.

"Vi behöver inte extrahera biofysiska parametrar för cellerna längre, " sa han. "Istället, djupa neurala nätverk analyserar själva rådata extremt snabbt."