Vantagem em vez de desvantagem: a abordagem da IA utiliza fenómenos ópticos para melhorar a qualidade da imagem

As amostras biológicas coradas ou marcadas de outra forma fornecem informações valiosas. No entanto, a desvantagem de uma aplicação alargada no diagnóstico clínico reside no facto de o processo ser moroso e exigir equipamento e consumíveis dispendiosos. Por este motivo, nos últimos anos, a investigação tem-se centrado cada vez mais em métodos de microscopia sem marcação, como a microscopia de fase quantitativa. Aqui, não é apenas a quantidade de luz absorvida ou dispersa pela amostra que é de interesse. Utilizando a informação de dispersão, a QPI também regista a forma como a amostra altera a fase da luz que a atravessa - uma alteração que está diretamente relacionada com a sua espessura, índice de refração e outras propriedades estruturais. A QPI também requer equipamento bastante dispendioso, ao contrário da QPI computorizada.

Uma das abordagens computacionais de QPI mais conhecidas baseia-se na solução da equação de transporte de intensidade (TIE). Esta equação diferencial permite o cálculo de uma imagem da amostra com base nas alterações de fase registadas. A abordagem pode ser facilmente integrada nos sistemas de microscopia ótica existentes e fornece imagens de alta qualidade. No entanto, o método TIE requer frequentemente múltiplas exposições com diferentes distâncias de focagem para eliminar artefactos. No entanto, o trabalho com pilhas de focagem é moroso e tecnicamente exigente, pelo que este tipo de QPI baseado em TIE não é frequentemente prático num contexto clínico.

A aberração cromática como um meio para atingir um fim

"A nossa abordagem baseia-se em princípios semelhantes aos da TIE, mas requer apenas uma única imagem graças a uma combinação inteligente de conhecimentos físicos e de IA generativa", explica o Prof. Artur Yakimovich, chefe de um grupo de investigação júnior do CASUS e principal autor do artigo apresentado na conferência AAAI. A informação sobre a mudança de fase causada pela amostra biológica não provém de imagens adicionais com diferentes distâncias focais. Em vez disso, a aberração cromática pode ser utilizada para gerar uma pilha de focagem a partir de uma única imagem. A maioria dos sistemas de lentes de microscópio não consegue focar perfeitamente os comprimentos de onda da luz branca (policromática) num único ponto de convergência - uma desvantagem que só lentes altamente especializadas conseguem compensar. Isto significa, por exemplo, que a luz vermelha, verde e azul (RGB) tem distâncias focais ligeiramente diferentes. "Ao detetar as mudanças de fase destes três comprimentos de onda separadamente com um detetor RGB padrão, podemos criar uma pilha de focagem contínua que permite o QPI assistido por computador. Assim, transformamos a desvantagem numa vantagem", explica Yakimovich.

"Um grande desafio tem de ser resolvido se quisermos utilizar aberrações cromáticas para QPI: a distância de focagem entre a luz vermelha e a azul é muito pequena", diz Gabriel della Maggiora, estudante de doutoramento no CASUS e um dos dois principais autores da publicação. Neste caso, a solução TIE padrão não fornece quaisquer resultados significativos. "Foi então que nos ocorreu a ideia de utilizar a inteligência artificial. Esta ideia revelou-se decisiva", recorda della Maggiora. "Depois de treinar um modelo generativo de IA com um conjunto de dados de acesso livre de 1,2 milhões de imagens, foi capaz de determinar a informação de fase apesar da entrada de dados muito limitada."

Testar o método em amostras clínicas específicas

A equipa utilizou um modelo generativo de IA para o melhoramento de imagens que tinha apresentado na primavera passada: o Modelo de Difusão Variacional Condicional (CVDM). Este modelo pertence aos modelos de difusão, um grupo especial de modelos de IA generativos. Os criadores sublinham que o treino de um CVDM requer muito menos poder de computação do que o treino de outros modelos de difusão. Os resultados são equivalentes ou mesmo melhores. Utilizando uma estratégia CVDM, della Maggiora e os seus colegas conseguiram desenvolver um novo modelo de difusão que é adequado para dados quantitativos. Com este modelo, conseguiram finalmente realizar o QPI computacional baseado em aberrações cromáticas. Por exemplo, validaram a sua abordagem generativa baseada em IA utilizando um microscópio de campo claro convencional equipado com uma câmara a cores disponível no mercado para captar imagens microscópicas de amostras clínicas reais. Ao analisar glóbulos vermelhos numa amostra de urina humana, o método foi capaz de visualizar a estrutura caraterística em forma de rosca destas células - um resultado que outro método computacional estabelecido baseado em TIE não conseguiu obter. Uma vantagem adicional foi a quase completa ausência de artefactos de nuvens nas imagens calculadas utilizando o novo método QPI.

O grupo Yakimovich "Machine Learning in Infection and Disease" está a desenvolver novas técnicas de microscopia computacional que podem ser utilizadas diretamente em aplicações clínicas. O potencial de utilização, nomeadamente no domínio do diagnóstico, é enorme. As técnicas utilizadas incluem a IA generativa. Como a IA generativa é suscetível às chamadas alucinações, o grupo está a concentrar-se em minimizá-las. A principal abordagem neste domínio é a incorporação de conhecimentos físicos. Como mostra o exemplo da microscopia de fase quantitativa baseada em IA, esta abordagem encerra um grande potencial.