Ett AI-verktyg utvecklat vid Göteborgs universitet ger nya möjligheter att analysera bilder tagna med mikroskop. En studie visar att verktyget, som redan har fått internationellt erkännande, kan i grunden förändra mikroskopin och bana väg för nya upptäckter och användningsområden inom både forskning och industri.

Fokus för studien är djupinlärning, en typ av artificiell intelligens (AI) och maskininlärning som vi alla interagerar med dagligen, ofta utan att tänka på det. Till exempel när en ny låt på Spotify dyker upp som liknar låtar vi tidigare har lyssnat på eller när vår mobilkamera automatiskt hittar de bästa inställningarna och korrigerar färger i ett foto.

"Djupet lärande har tagit världen med storm och har haft en enorm inverkan på många industrier, sektorer och vetenskapliga områden. Vi har nu utvecklat ett verktyg som gör det möjligt att utnyttja den otroliga potentialen med djupinlärning, med fokus på bilder tagna med mikroskop, säger Benjamin Midtvedt, en doktorand i fysik och huvudförfattaren till studien.

Deep learning kan beskrivas som en matematisk modell som används för att lösa problem som är svåra att angripa med traditionella algoritmiska metoder. I mikroskopi, den stora utmaningen är att hämta så mycket information som möjligt från de datapackade bilderna, och det är här djupinlärning har visat sig vara mycket effektiv.

Verktyget som Midtvedt och hans forskarkollegor har utvecklat innebär att neurala nätverk lär sig att hämta exakt den information som en forskare vill ha från en bild genom att titta igenom ett enormt antal bilder, känd som träningsdata. Verktyget förenklar processen att producera träningsdata jämfört med att behöva göra det manuellt, så att tiotusentals bilder kan genereras på en timme istället för hundra på en månad.

"Detta gör det möjligt att snabbt extrahera fler detaljer från mikroskopbilder utan att behöva skapa en komplicerad analys med traditionella metoder. Dessutom resultaten är reproducerbara, och anpassade, specifik information kan hämtas för ett specifikt ändamål."

Till exempel, verktyget låter användaren bestämma storlek och materialegenskaper för mycket små partiklar och att enkelt räkna och klassificera celler. Forskarna har redan visat att verktyget kan användas av industrier som behöver rena sina utsläpp eftersom de i realtid kan se om alla oönskade partiklar har filtrerats bort.

Forskarna är hoppfulla om att verktyget i framtiden kan användas för att följa infektioner i en cell och kartlägga cellulära försvarsmekanismer, vilket skulle öppna enorma möjligheter för nya läkemedel och behandlingar.

"Vi har redan sett ett stort internationellt intresse för verktyget. Oavsett de mikroskopiska utmaningarna, forskare kan nu lättare göra analyser, göra nya upptäckter, implementera idéer och bryta ny mark inom sina områden."