Un ricercatore dell'HSBI sviluppa un'intelligenza artificiale per una segmentazione cellulare più efficiente, utile ad esempio per la ricerca farmaceutica
Le immagini di cellule segmentate sono estremamente importanti nella ricerca biomedica e nella diagnostica. Ed enormemente costose. Sebbene l'intelligenza artificiale (IA) sia ora in grado di eseguire la segmentazione delle cellule, richiede un addestramento con una grande quantità di dati etichettati: Dati che devono essere etichettati manualmente da esperti. La dottoranda Eiram Mahera Sheikh dell'Università di Scienze Applicate di Bielefeld sta studiando come accelerare in modo intelligente questo processo nell'ambito della rete di ricerca SAIL. Sta già utilizzando l'intelligenza artificiale, o più precisamente l'apprendimento attivo profondo, per preparare i dati di addestramento.
Le due immagini richiamate dal computer sono immagini delle stesse cellule biologiche. A sinistra, l'immagine microscopica di alcune cellule staminali pancreatiche su un substrato poroso: le piccole macchie bianche, di dimensioni diverse, di forma allungata, leggermente sfocate su uno sfondo grigio, sono le singole cellule. Non è facile capire se un pixel appartiene ancora alla cellula o fa già parte dello sfondo. Eiram Mahera Sheikh richiama l'attenzione dei visitatori sul lato destro: la stessa disposizione di cellule, ma questa volta diversamente colorate e chiaramente delimitate dallo sfondo nero. "Con questa maschera, l'immagine è molto più facile da analizzare. Qui le cellule sono chiaramente segmentate con l'aiuto dell'intelligenza artificiale". Sheikh vuole garantire che questo processo possa essere eseguito in modo ancora più efficiente in futuro, rendendo l'intelligenza artificiale intelligente. In altre parole, vuole che l'addestramento necessario dell'IA per la segmentazione delle cellule avvenga più rapidamente di prima, utilizzando un processo di IA.
L'intelligenza artificiale dovrebbe identificare le regioni dell'immagine particolarmente importanti per l'apprendimento della segmentazione cellulare. In questo modo non sarebbe più necessario etichettare a mano tutti i pixel dell'immagine, ma solo quelli particolarmente preziosi come dati di addestramento.
P. Pollmeier/HSBI
Prezioso per la terapia del cancro, tra le altre cose: la segmentazione delle cellule fornisce informazioni sui cambiamenti a livello cellulare
Ma prima le cose importanti: Dopo diversi anni di lavoro, la 33enne informatica di origini indiane si è specializzata in scienza dei dati e IA nell'ambito di un master. Ora è entrata a far parte dell'Università di Scienze Applicate di Bielefeld (HSBI) come dottoranda. Con la segmentazione cellulare ha scelto un argomento di grande importanza per la ricerca biomedica e la diagnostica: "L'analisi di immagini di cellule segmentate fornisce importanti informazioni sulle caratteristiche delle cellule, sui cambiamenti patologici o su come le cellule reagiscono a determinate sostanze attive", spiega Eiram Mahera Sheikh. "Si tratta di informazioni importanti, ad esempio, nella terapia del cancro o nella ricerca farmacologica". Tuttavia, la ricerca di Sheikh inizia due passi prima, a un livello meta, per così dire. "La segmentazione delle cellule può ora essere eseguita anche dalle IA. Sono interessato ad addestrare questa IA". E questo è già qualcosa...
Il dottorato sulla segmentazione cellulare viene realizzato nell'ambito della rete di ricerca OWL SAIL
Il Prof. Dr. Wolfram Schenck è seduto in una sala riunioni dell'HSBI. Ascolta con attenzione la presentazione di Sheikh e guarda le immagini proiettate sulla parete. Si stanno discutendo i risultati intermedi del dottorando. Il progetto fa parte della rete di ricerca interdisciplinare SAIL. L'acronimo sta per SustAInable Life-Cicle of Intelligent Socio-Technical Systems - tradotto approssimativamente: Ciclo di vita sostenibile dei sistemi socio-tecnici intelligenti. Nella rete, che è finanziata dallo Stato della Renania Settentrionale-Vestfalia con un massimo di 14,8 milioni di euro, l'Università di Bielefeld, in qualità di capofila del consorzio, HSBI, TH OWL e l'Università di Paderborn collaborano con l'obiettivo di rendere i sistemi di intelligenza artificiale trasparenti, sicuri, sostenibili e robusti durante il loro intero ciclo di vita. A tal fine, si sta adottando una visione a 360 gradi dell'IA: I circa 90 scienziati della rete si occupano di ricerca di base nel campo dell'IA, del suo impatto sulle persone e sulla società e di applicazioni specifiche nel campo dell'Industria 4.0 e della sanità intelligente. Wolfram Schenck, professore di Informatica ingegneristica, direttore scientifico del Data Analytics Cluster del Center for Applied Data Science (CfADS) del campus di Gütersloh e portavoce dell'HSBI per il progetto SAIL, supervisiona il dottorato di Eiram Mahera Sheik, che si colloca all'interfaccia tra la ricerca di base e l'assistenza sanitaria, ma fornisce anche approfondimenti al di là di questa.
Labelling of image data: Come si può risparmiare il tempo di esperti altamente specializzati?
Schenck spiega le sfide del lavoro di Sheik: "Per imparare la segmentazione cellulare, l'IA di segmentazione cellulare ha bisogno di molti dati etichettati per l'addestramento. Si tratta di dati di immagine a livello di pixel che vengono etichettati e classificati con informazioni aggiuntive". Un processo complesso, perché in termini concreti significa che per ogni pixel di un'immagine di cellule biologiche si deve determinare se appartiene alla classe "sfondo", alla classe "membrana" o alla classe "corpo cellulare", ad esempio. Schenck spiega: "Oggi questa etichettatura può essere fatta solo manualmente da esperti che sanno esattamente cosa si deve vedere". Membrana cellulare? Cellula morta? Sfondo? - Pixel per pixel, qualcuno che ne sa qualcosa deve fare questo lavoro noioso e un po' monotono prima che l'IA possa essere resa idonea alla segmentazione di determinate cellule.
"Poiché il lavoro è così lungo e monotono, gli esperti sono riluttanti a farlo", interviene la dott.ssa Constanze Schwan. "Inoltre, l'etichettatura è molto costosa a causa del lungo processo e dell'impiego di specialisti altamente qualificati". Schwan si è unita alla discussione. L'informatica del programma Career@BI di HSBI non solo insegna nel Dipartimento di Ingegneria e Matematica, ma lavora anche nel dipartimento di ricerca dell'azienda biotecnologica Miltenyi Biotec di Göttingen. L'autrice porta con sé esigenze pratiche: "Sarebbe un grande passo avanti se esistesse un modello o un algoritmo in grado di ridurre lo sforzo necessario per l'etichettatura". Questo perché i metodi di segmentazione esistenti, adatti ad esempio alla guida autonoma, raggiungono i loro limiti nel caso di immagini microscopiche. Ciò è dovuto in parte alle strutture più complesse e fini presenti nelle immagini. Spesso si tratta di pile di immagini su un asse temporale per strutture 3D. "Queste immagini o stack di immagini spesso contengono strutture complesse che sono difficili da segmentare", spiega il dottor Alaa Othman, che completa il team. In qualità di junior group leader della rete SAIL, l'ingegnere elettrico sta supervisionando il dottorato di Sheikh insieme al Prof. Schenck.
Progressi in vista: l'IA di Sheikh smista i dati di addestramento non importanti da
Per evitare il problema delle strutture complesse e per alleggerire i team di specialisti che devono addestrare l'IA per la segmentazione delle cellule, Eiram Mahera Sheikh si affida all'IA. "Il mio obiettivo è identificare le regioni dell'immagine che sono particolarmente importanti per l'apprendimento della segmentazione cellulare. Ciò significa che non tutti i pixel dell'immagine dovrebbero essere etichettati a mano, ma solo quelli che sono particolarmente preziosi come dati di addestramento". Questa selezione mirata dei potenziali dati di addestramento si chiama "apprendimento attivo", spiega Schenck: "E poiché gli algoritmi di intelligenza artificiale per la segmentazione cellulare derivano dall'apprendimento profondo, ci riferiamo anche a questo come 'apprendimento attivo profondo'"."
Sheikh ha ora identificato i dati di addestramento più preziosi: "Sono quelli più incerti, quelli in cui l'algoritmo di IA ha difficoltà, ad esempio a causa dello scarso contrasto dell'immagine o di cellule che si sovrappongono o hanno una forma irregolare". Solo questi dovrebbero quindi essere esaminati ed etichettati da esperti in futuro, mentre lo sforzo potrebbe essere risparmiato nei casi chiari perché l'IA di Sheik ha già provveduto all'etichettatura. "In sostanza, l'intelligenza artificiale per la segmentazione delle cellule impara con meno dati, ma in modo così efficace da poter effettuare in seguito segmentazioni cellulari precise", riassume Alaa Othman.
È possibile trasferire i risultati ad altre applicazioni, ad esempio alla guida autonoma
Resta da capire come si determina l'importanza dei potenziali dati di addestramento. Si deve considerare l'intera immagine? O è necessario prendere decisioni locali e settoriali? Il gruppo si addentra in una discussione che un profano non è più in grado di seguire. "In definitiva, il progetto fornisce una ricerca di base orientata alle applicazioni", afferma Wolfram Schenck. Infatti, gli algoritmi per l'apprendimento attivo profondo sviluppati da Eiram Mahera Sheikh, che dividono i dati delle immagini in regioni importanti e non importanti per l'addestramento dell'intelligenza artificiale, rendendo così la segmentazione delle cellule più efficace ed efficiente, possono essere utilizzati anche per altre applicazioni, come l'imaging medico, la guida autonoma o l'analisi delle immagini satellitari. Schenck: "Ancora una volta appare chiaro l'approccio olistico e sostenibile del progetto SAIL"
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Tedesco può essere trovato qui.
Altre notizie dal dipartimento scienza
