Vantaggio anziché svantaggio: l'approccio AI sfrutta il fenomeno ottico per migliorare la qualità dell'immagine

I campioni biologici colorati o altrimenti etichettati forniscono preziose informazioni. Tuttavia, lo svantaggio per un'ampia applicazione nella diagnostica clinica è che il processo richiede tempo e attrezzature e materiali di consumo costosi. Per questo motivo, negli ultimi anni la ricerca si è concentrata sempre più su metodi di microscopia privi di etichette, come la microscopia quantitativa di fase. In questo caso, l'interesse non riguarda solo la quantità di luce assorbita o diffusa dal campione. Utilizzando le informazioni di dispersione, la QPI registra anche il modo in cui il campione sposta la fase della luce che lo attraversa - un cambiamento che è direttamente correlato al suo spessore, all'indice di rifrazione e ad altre proprietà strutturali. Il QPI richiede anche apparecchiature piuttosto costose, a differenza del QPI computazionale.

Uno dei più noti approcci computazionali alla QPI si basa sulla soluzione dell'equazione di trasporto dell'intensità (TIE). Questa equazione differenziale consente di calcolare un'immagine del campione in base ai cambiamenti di fase registrati. Questo approccio può essere facilmente integrato nei sistemi di microscopia ottica esistenti e fornisce immagini di alta qualità. Tuttavia, il metodo TIE richiede spesso esposizioni multiple con diverse distanze di messa a fuoco per eliminare gli artefatti. Tuttavia, il lavoro con le pile di messa a fuoco richiede tempo e tecnica, quindi questo tipo di QPI basato su TIE spesso non è pratico in ambito clinico.

L'aberrazione cromatica come mezzo per raggiungere un fine

"Il nostro approccio si basa su principi simili a quelli del TIE, ma richiede solo una singola immagine grazie a un'intelligente combinazione di conoscenze fisiche e AI generativa", spiega il Prof. Artur Yakimovich, responsabile di un gruppo di ricerca junior del CASUS e autore principale dell'articolo presentato alla conferenza AAAI. Le informazioni sullo sfasamento causato dal campione biologico non provengono da immagini aggiuntive con distanze focali diverse. Invece, l'aberrazione cromatica può essere utilizzata per generare uno stack di messa a fuoco da una singola immagine. La maggior parte dei sistemi di lenti per microscopio non è in grado di focalizzare perfettamente le lunghezze d'onda della luce bianca (policromatica) su un unico punto di convergenza - uno svantaggio che solo lenti altamente specializzate possono compensare. Ciò significa, ad esempio, che la luce rossa, verde e blu (RGB) hanno distanze focali leggermente diverse. "Rilevando gli spostamenti di fase di queste tre lunghezze d'onda separatamente con un rilevatore RGB standard, possiamo creare una pila di messa a fuoco continua che consente un QPI assistito dal computer. In questo modo trasformiamo lo svantaggio in un vantaggio", spiega Yakimovich.

"Se si vogliono utilizzare le aberrazioni cromatiche per il QPI, è necessario risolvere una sfida importante: la distanza di messa a fuoco tra la luce rossa e quella blu è molto piccola", spiega Gabriel della Maggiora, dottorando al CASUS e uno dei due autori principali della pubblicazione. In questo caso, la soluzione TIE standard non fornisce risultati significativi. "Poi ci è venuta l'idea di utilizzare l'intelligenza artificiale. Questa idea si è rivelata decisiva", ricorda della Maggiora. "Dopo aver addestrato un modello generativo di intelligenza artificiale con un set di dati liberamente accessibile di 1,2 milioni di immagini, è stato in grado di determinare le informazioni di fase nonostante l'input di dati molto limitato".

Test del metodo su campioni clinici specifici

Il team ha utilizzato un modello generativo di intelligenza artificiale per il miglioramento delle immagini presentato la scorsa primavera: il Conditional Variational Diffusion Model (CVDM). Il modello appartiene ai modelli di diffusione, un gruppo speciale di modelli generativi di intelligenza artificiale. Gli sviluppatori sottolineano che l'addestramento di un CVDM richiede una potenza di calcolo significativamente inferiore rispetto all'addestramento di altri modelli di diffusione. I risultati sono equivalenti o addirittura migliori. Utilizzando una strategia CVDM, della Maggiora e i suoi colleghi sono riusciti a sviluppare un nuovo modello di diffusione adatto ai dati quantitativi. Con questo modello, sono stati finalmente in grado di realizzare un QPI computazionale basato sulle aberrazioni cromatiche. Per esempio, hanno convalidato il loro approccio generativo basato sull'intelligenza artificiale utilizzando un microscopio convenzionale in campo chiaro dotato di una telecamera a colori disponibile in commercio per acquisire immagini microscopiche di campioni clinici reali. Analizzando i globuli rossi in un campione di urina umana, il metodo è stato in grado di visualizzare la caratteristica struttura a forma di ciambella di queste cellule, un risultato che un altro metodo computazionale basato sulla TIE non era in grado di fornire. Un ulteriore vantaggio è stata la quasi totale assenza di artefatti da nuvole nelle immagini calcolate con il nuovo metodo QPI.

Il gruppo di Yakimovich "Machine Learning in Infection and Disease" sta sviluppando nuove tecniche di microscopia computazionale che potrebbero essere utilizzate direttamente in applicazioni cliniche. Il potenziale di utilizzo, in particolare nella diagnostica, è enorme. Le tecniche utilizzate includono l'IA generativa. Poiché l'IA generativa è soggetta alle cosiddette allucinazioni, il gruppo si sta concentrando sulla loro minimizzazione. L'approccio chiave è quello di incorporare le conoscenze fisiche. Come dimostra l'esempio della microscopia di fase quantitativa basata sull'IA, questo approccio ha un grande potenziale.