Un investigador del HSBI desarrolla una IA para una segmentación celular más eficaz, por ejemplo, para la investigación farmacéutica

Las dos imágenes llamadas en el ordenador son imágenes de las mismas células biológicas. A la izquierda, la imagen microscópica de unas células madre pancreáticas sobre un sustrato poroso: las pequeñas manchas blancas, de diferentes tamaños, de forma alargada, ligeramente difuminadas sobre un fondo gris, son las células individuales. No es tan fácil saber si un píxel sigue perteneciendo a la célula o ya forma parte del fondo. Eiram Mahera Sheikh llama la atención de los visitantes sobre el lado derecho: la misma disposición de células, pero esta vez coloreadas de forma diferente y claramente delimitadas del fondo, ahora negro. "Con esta máscara, la imagen es mucho más fácil de analizar. Aquí, las células están claramente segmentadas con la ayuda de la IA, o inteligencia artificial". Sheikh quiere asegurarse de que este proceso pueda realizarse de forma aún más eficiente en el futuro, haciendo que la IA sea inteligente con ayuda de la IA. En otras palabras, quiere hacer posible que el entrenamiento necesario de la IA de segmentación celular tenga lugar más rápidamente que antes, utilizando un proceso de IA.

Valioso para la terapia del cáncer, entre otras cosas: la segmentación celular proporciona información sobre los cambios a nivel celular

Pero lo primero es lo primero: Tras varios años de trabajo, esta informática de 33 años con raíces indias se especializó en ciencia de datos e IA como parte de un máster. Ahora se ha incorporado a la Universidad de Ciencias Aplicadas de Bielefeld (HSBI) como estudiante de doctorado. Con la segmentación celular, ha elegido un tema de gran importancia en la investigación biomédica y el diagnóstico: "El análisis de imágenes de células segmentadas proporciona información importante sobre las características de las células, los cambios patológicos o cómo reaccionan las células a determinadas sustancias activas", explica Eiram Mahera Sheikh. "Se trata de información importante para la terapia del cáncer o la investigación farmacológica, por ejemplo". Sin embargo, la investigación de Sheikh comienza dos pasos antes, en un metanivel, por así decirlo. "La segmentación celular también la pueden realizar ahora las IA. Me interesa entrenar a esta IA". Y eso es algo...

El doctorado sobre segmentación celular se está realizando en el marco de la red de investigación OWL SAIL

El Prof. Dr. Wolfram Schenck está sentado en una sala de reuniones del HSBI. Escucha atentamente la presentación de Sheikh y observa las imágenes proyectadas en la pared. Se están debatiendo los resultados provisionales del doctorando. El proyecto forma parte de la red de investigación interdisciplinar SAIL. SAIL son las siglas de SustAInable Life-Cicle of Intelligent Socio-Technical Systems: Ciclo de vida sostenible de sistemas sociotécnicos inteligentes. En la red, financiada por el estado de Renania del Norte-Westfalia con hasta 14,8 millones de euros, cooperan la Universidad de Bielefeld como líder del consorcio, HSBI, TH OWL y la Universidad de Paderborn con el objetivo de hacer que los sistemas de IA sean transparentes, seguros, sostenibles y robustos a lo largo de todo su ciclo de vida. Para ello, se está adoptando una visión de 360 grados de la IA: Los aproximadamente 90 científicos de la red se dedican a la investigación básica en el campo de la IA, así como a su impacto en las personas y la sociedad y a aplicaciones específicas en el ámbito de la Industria 4.0 y la sanidad inteligente. Wolfram Schenck, catedrático de Ingeniería Informática, director científico del Clúster de Análisis de Datos del Centro de Ciencia de Datos Aplicada (CfADS) del campus de Gütersloh y portavoz del HSBI para el proyecto SAIL, supervisa el doctorado de Eiram Mahera Sheik, que se sitúa en la interfaz de la investigación básica y la asistencia sanitaria, pero también aporta conocimientos que van más allá.

Etiquetado de datos de imagen: ¿Cómo ahorrar tiempo a expertos altamente especializados?

Schenck explica los retos del trabajo de Sheik: "Para aprender segmentación celular, la IA de segmentación celular necesita muchos datos etiquetados para entrenarse. Se trata de datos de imagen a nivel de píxel que se etiquetan y clasifican con información adicional". Un proceso complejo, porque en concreto significa que para cada píxel de una imagen de células biológicas hay que determinar si pertenece a la clase "fondo", a la clase "membrana" o a la clase "cuerpo celular", por ejemplo. Schenck explica: "Hoy en día, este etiquetado sólo puede ser realizado manualmente por expertos que sepan exactamente lo que hay que ver". ¿Membrana celular? ¿Célula muerta? ¿Fondo? - Píxel a píxel, alguien que sepa algo del tema tiene que hacer el tedioso y algo monótono trabajo antes de que la IA pueda ser apta para la segmentación de determinadas células.

"Como el trabajo lleva tanto tiempo y es tan monótono, los expertos son reacios a hacerlo", interviene la Dra. Constanze Schwan. "Aparte de eso, el etiquetado también es muy caro debido a lo largo del proceso y al uso de especialistas altamente cualificados". Schwan se sumó al debate. La informática del programa Career@BI del HSBI no sólo imparte clases en el Departamento de Ingeniería y Matemáticas, sino que también trabaja en el departamento de investigación de la empresa biotecnológica Miltenyi Biotec de Gotinga. Aporta necesidades prácticas: "Sería un gran avance si existiera un modelo o algoritmo que redujera el esfuerzo necesario para el etiquetado". Y es que los métodos de segmentación existentes, adecuados por ejemplo para la conducción autónoma, alcanzan sus límites en el caso de las imágenes microscópicas. Esto se debe en parte a las estructuras más complejas y finas que se encuentran en las imágenes. A menudo se trata de pilas de imágenes en un eje temporal para estructuras tridimensionales. "Estas imágenes o pilas de imágenes suelen contener estructuras complejas difíciles de segmentar", explica el Dr. Alaa Othman, que completa el equipo. Como jefe de grupo de investigación junior en la red SAIL, el ingeniero eléctrico supervisa el doctorado de Sheikh junto con el profesor Schenck.

Avance a la vista: la IA de Sheikh clasifica los datos de entrenamiento sin importancia en

Para evitar el problema de las estructuras complejas y aliviar a los equipos de especialistas que tienen que entrenar la IA de segmentación celular, Eiram Mahera Sheikh se apoya en la IA. "Mi objetivo es identificar las regiones de la imagen que son especialmente importantes para el aprendizaje de la segmentación celular. Esto significaría que ya no sería necesario etiquetar a mano todos los píxeles de la imagen, sino sólo aquellos que son especialmente valiosos como datos de entrenamiento." Este tipo de selección selectiva de posibles datos de entrenamiento se denomina "aprendizaje activo", explica Schenck: "Y como los algoritmos de IA para la segmentación celular proceden del aprendizaje profundo, también nos referimos a esto como "aprendizaje activo profundo"."

Sheikh ya ha identificado los datos de entrenamiento más valiosos: "Son los más inciertos, aquellos en los que el algoritmo de IA tiene dificultades, por ejemplo debido a un contraste de imagen deficiente o a células que se solapan o tienen una forma irregular". Por lo tanto, en el futuro sólo éstas deberán ser examinadas y etiquetadas por expertos, mientras que el esfuerzo podría ahorrarse en los casos claros porque la IA de Sheik ya ha realizado el etiquetado. "Básicamente, la IA de segmentación celular aprende con menos datos y, sin embargo, con tanta eficacia que puede seguir realizando segmentaciones celulares precisas más adelante", resume Alaa Othman.

Es posible transferir los hallazgos a otras aplicaciones, por ejemplo, a la conducción autónoma

La cuestión sigue siendo cómo se determina la importancia de los posibles datos de entrenamiento. ¿Debe tenerse en cuenta toda la imagen? ¿O hay que tomar decisiones locales y seccionales? El grupo se adentra en la discusión, que un profano en la materia no tarda en seguir. "En última instancia, el proyecto proporciona investigación básica orientada a la aplicación", afirma Wolfram Schenck. Y es que los algoritmos de aprendizaje activo profundo desarrollados por Eiram Mahera Sheikh, que dividen los datos de la imagen en regiones importantes y no importantes para el entrenamiento de la IA y hacen así que la segmentación celular sea globalmente más eficaz y eficiente, también pueden utilizarse para otras aplicaciones, como en la imagen médica, la conducción autónoma o el análisis de imágenes de satélite. Schenck: "Una vez más, queda patente el enfoque holístico y sostenible del proyecto SAIL".