Ingenjörer vid Duke University har utvecklat ett mikroskop som anpassar sina ljusvinklar, färger och mönster samtidigt som de lär sig de optimala inställningarna som behövs för att slutföra en given diagnostisk uppgift.

I den första proof-of-concept-studien, mikroskopet utvecklade samtidigt ett ljusmönster och klassificeringssystem som gjorde det möjligt för det att snabbt identifiera röda blodkroppar infekterade av malariaparasiten mer exakt än utbildade läkare och andra metoder för maskininlärning.

Resultaten visas online den 19 november i tidskriften Biomedicinsk Optik Express .

"Ett standardmikroskop lyser upp ett prov med samma mängd ljus som kommer från alla riktningar, och att belysningen har optimerats för mänskliga ögon under hundratals år, sade Roarke Horstmeyer, biträdande professor i biomedicinsk teknik vid Duke.

"Men datorer kan se saker som människor inte kan, " sa Hortmeyer. "Så inte bara har vi designat om hårdvaran för att tillhandahålla ett brett utbud av belysningsalternativ, vi har låtit mikroskopet optimera belysningen för sig själv."

Istället för att sprida vitt ljus underifrån för att jämnt belysa bilden, ingenjörerna utvecklade en skålformad ljuskälla med lysdioder inbäddade i hela ytan. Detta gör att prover kan belysas från olika vinklar upp till nästan 90 grader med olika färger, som i huvudsak kastar skuggor och framhäver olika egenskaper hos provet beroende på vilket mönster av lysdioder som används.

Forskarna matade sedan mikroskopet med hundratals prover av malariainfekterade röda blodkroppar framställda som tunna utstryk, där cellkropparna förblir hela och är idealiskt utspridda i ett enda lager på ett objektglas. Genom att använda en typ av maskininlärningsalgoritm som kallas ett konvolutionellt neuralt nätverk, mikroskopet lärde sig vilka egenskaper i provet som var viktigast för att diagnostisera malaria och hur man bäst framhäver dessa egenskaper.

Algoritmen landade så småningom på ett ringformat LED-mönster i olika färger från relativt höga vinklar. Medan de resulterande bilderna är mer brusiga än en vanlig mikroskopbild, de lyfter fram malariaparasiten i en ljus punkt och klassificeras korrekt cirka 90 procent av tiden. Utbildade läkare och andra maskininlärningsalgoritmer utför vanligtvis med cirka 75 procents noggrannhet.

"Mönstren som den plockar ut är ringliknande med olika färger som är olikformiga och inte nödvändigtvis uppenbara, ", sa Horstmeyer. "Även om bilderna är mörkare och bullrigare än vad en läkare skulle skapa, Algoritmen säger att den kommer att leva med bruset, den vill bara få parasiten framhävd för att hjälpa den att ställa en diagnos."

Horstmeyer skickade sedan LED-mönstret och sorteringsalgoritmen till en annan samarbetspartners labb över hela världen för att se om resultaten kunde översättas till olika mikroskopinställningar. Det andra laboratoriet visade liknande framgångar.

"Läkare måste titta igenom tusen celler för att hitta en enda malariaparasit, sade Horstmeyer. Och eftersom de måste zooma in så nära, de kan bara titta på kanske ett dussin åt gången, och så att läsa en bild tar cirka 10 minuter. Om de bara behövde titta på en handfull celler som vårt mikroskop redan har plockat ut inom några sekunder, det skulle påskynda processen avsevärt."

Forskarna visade också att mikroskopet fungerar bra med tjocka blodprovspreparat, där de röda blodkropparna bildar en mycket ojämn bakgrund och kan brytas isär. För denna förberedelse, maskininlärningsalgoritmen var framgångsrik 99 procent av tiden.

Enligt Horstmeyer, den förbättrade noggrannheten förväntas eftersom de testade tjocka utstrykarna var kraftigare färgade än de tunna utstrykarna och uppvisade högre kontrast. Men de tar också längre tid att förbereda, och en del av motivationen bakom projektet är att skära ner på diagnostider i låga resurser där utbildade läkare är sparsamma och flaskhalsar är normen.

Med denna första framgång i handen, Horstmeyer fortsätter att utveckla både mikroskop- och maskininlärningsalgoritmen.

En grupp av Duke ingenjörsstudenter har bildat ett startup-företag SafineAI för att miniatyrisera det omkonfigurerbara LED-mikroskopkonceptet, som redan har tjänat $120, 000 pris på en lokal pitchtävling.

Under tiden, Horstmeyer arbetar med en annan maskininlärningsalgoritm för att skapa en version av mikroskopet som kan justera dess LED-mönster till vilken specifik bild den försöker läsa.

"Vi försöker i princip att förmedla en del hjärnor i bildinsamlingsprocessen, ", sa Horstmeyer. "Vi vill att mikroskopet ska använda alla sina frihetsgrader. Så istället för att bara ta bilder, den kan leka med fokus och belysning för att försöka få en bättre uppfattning om vad som finns på bilden, precis som en människa skulle göra."