De desventaja a ventaja: la IA aprovecha el fenómeno óptico para producir mejores imágenes
El potencial, por ejemplo en el diagnóstico, es enorme
La imagen cuantitativa en fase (QPI) es una técnica de microscopía ampliamente utilizada para investigar células y tejidos. Aunque ya se han desarrollado las primeras aplicaciones biomédicas basadas en QPI, tanto la velocidad de adquisición como la calidad de la imagen deben mejorar para garantizar una recepción generalizada. Científicos del Center for Advanced Systems Understanding (CASUS) del Helmholtz-Zentrum Dresden-Rossendorf (HZDR), con sede en Görlitz, así como del Imperial College London y el University College London, sugieren aprovechar un fenómeno óptico llamado aberración cromática -que suele degradar la calidad de la imagen- para producir imágenes adecuadas con microscopios estándar. Empleando un modelo generativo de IA, basta una sola exposición para obtener la calidad de imagen necesaria para que la QPI resulte atractiva para aplicaciones en biomedicina. El equipo presentó el trabajo a finales de febrero en la 39 Conferencia Anual sobre IA de la Asociación para el Avance de la IA (AAAI), organizada este año en Filadelfia (EE.UU.). El correspondiente artículo de la conferencia, revisado por expertos, estará disponible a finales de marzo.
El etiquetado de muestras biológicas con colorantes u otros agentes revela valiosos datos. Pero este método tiene algunos inconvenientes que dificultan su uso generalizado en el diagnóstico clínico: Lleva mucho tiempo y requiere equipos y reactivos caros. Por ello, en los últimos años la investigación se ha centrado en ciertos métodos de microscopía sin etiquetas, como la QPI. En este caso, no sólo interesa la magnitud de la luz absorbida o dispersada por la muestra. Utilizando la información de dispersión, la QPI también capta cómo la muestra cambia la fase de la luz que la atraviesa, un cambio que está directamente relacionado con su grosor, índice de refracción y otras propiedades estructurales. Mientras que la QPI también requiere equipos bastante caros, la QPI computacional no.
Uno de los enfoques de QPI computacional más destacados es la resolución de la ecuación de transporte de intensidad (TIE). Esta ecuación diferencial permite calcular una imagen de la muestra a partir de los cambios de fase registrados. Este método es fácil de integrar en un microscopio óptico ya existente y permite obtener imágenes de buena calidad. En el lado negativo, el método TIE requiere a menudo múltiples adquisiciones con diferentes distancias de enfoque para eliminar los artefactos. Tratar con pilas de enfoque pasante puede llevar mucho tiempo y ser técnicamente exigente, por lo que este tipo de QPI basado en TIE no suele ser factible en un entorno clínico.
Aprovechamiento de la aberración cromática
"Nuestro método se basa en principios similares a los de la TIE, pero sólo necesita una imagen gracias a una inteligente combinación de física e inteligencia artificial generativa", afirma el profesor Artur Yakimovich, jefe de un grupo de jóvenes investigadores de CASUS y autor correspondiente del trabajo presentado en la conferencia de la AAAI. La información sobre el desplazamiento de fase inducido por el espécimen biológico no procede de exposiciones adicionales tomadas con otras distancias de enfoque. También se puede generar una pila a través del enfoque a partir de una sola exposición gracias a un fenómeno denominado aberración cromática. La mayoría de los sistemas de lentes de los microscopios no pueden llevar perfectamente todas las longitudes de onda de la luz blanca (policromática) a un único punto convergente, una desventaja que sólo pueden corregir las lentes altamente especializadas. Esto significa, por ejemplo, que la luz roja, verde y azul (RGB) tienen distancias de enfoque ligeramente diferentes. "Registrando los desfases de esas tres longitudes de onda por separado con un detector RGB convencional, se puede construir una pila de enfoque que facilite el cálculo QPI y convierta la desventaja en ventaja", explica Yakimovich.
"Utilizar aberraciones cromáticas para realizar QPI plantea un reto: la distancia entre el foco de luz roja y el foco de luz azul es muy pequeña", afirma Gabriel della Maggiora, estudiante de doctorado en CASUS y uno de los dos autores principales de la publicación. Resolver el TIE de la forma estándar no da resultados significativos. "Entonces pensamos que podíamos utilizar la inteligencia artificial. Esta idea resultó ser decisiva", añade della Maggiora. "Tras entrenar un modelo generativo de inteligencia artificial con un conjunto de datos de libre acceso compuesto por 1,2 millones de imágenes, el modelo fue capaz de recuperar información sobre la fase incluso basándose únicamente en los datos muy limitados de la grabación".
Método validado en muestras clínicas reales
El equipo se basó en un modelo generativo de IA para la mejora de la calidad de imagen presentado la primavera pasada: el Modelo de Difusión Variacional Condicional (CVDM). Pertenece a una familia particular de modelos generativos de IA denominados modelos de difusión. Sus creadores destacan que entrenar un CVDM requiere un esfuerzo computacional significativamente menor que entrenar otros modelos de difusión, mientras que los resultados son iguales o incluso mejores. Aprovechando una estrategia de CVDM, della Maggiora y sus colegas desarrollaron un nuevo modelo de difusión aplicable a datos cuantitativos. Con este modelo, pudieron por fin realizar QPI computacionales basados en aberraciones cromáticas. Validaron su enfoque generativo basado en IA utilizando, por ejemplo, un microscopio de campo claro común equipado con una cámara en color disponible en el mercado para obtener imágenes microscópicas de muestras clínicas del mundo real: Al analizar los glóbulos rojos de una muestra de orina humana, el método fue capaz de desvelar la forma de rosquilla de estas células, mientras que otro enfoque computacional basado en el TIE no lo consiguió. Una ventaja adicional fue la ausencia virtual de artefactos de nubes en las imágenes calculadas con la nueva variante de imagen de fase cuantitativa basada en IA generativa.
El grupo de Yakimovich "Machine Learning for Infection and Disease" desarrolla técnicas computacionales novedosas para microscopía que podrían aplicarse inmediatamente en entornos clínicos. El potencial, por ejemplo en el diagnóstico, es enorme. Entre las técnicas utilizadas está la IA generativa. Como la IA generativa es propensa a producir alucinaciones, uno de los principales objetivos del grupo es reducirlas. La incorporación de elementos basados en la física es el enfoque clave en este caso. Como muestra el ejemplo de las imágenes cuantitativas de fase basadas en IA, este enfoque es muy prometedor.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
G. della Maggiora, L. A. Croquevielle, H. Horsley, T. Heinis, A. Yakimovich, Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models, presented at the 39th Annual Conference on Artificial Intelligence by the Association for the Advancement of Artificial Intelligence (AAAI) and accepted for publication in the Proceedings of the 39th AAAI Conference on Artificial Intelligence, Preprint
Más noticias del departamento ciencias
