Onderzoekers hebben een op kunstmatige intelligentie gebaseerde methode ontwikkeld voor r

Onderzoekers van de Universiteit van Oost-Finland, de Universiteit van Turku en de Universiteit van Tampere hebben een op AI gebaseerde methode ontwikkeld voor virtuele kleuring van pathologische weefselmonsters als onderdeel van het Scandinavische ABCAP-consortium. Chemische kleuring is al meer dan een eeuw een hoeksteen van de studie van histopathologie en wordt bijvoorbeeld veel toegepast bij de diagnostiek van kanker.

“Chemische kleuring maakt de morfologie van semi-transparante weefselsecties met laag contrast zichtbaar. Zonder dit is analyse van de weefselmorfologie bijna onmogelijk voor het menselijk zicht”, zegt een niet-gegradueerde onderzoeker en adjunct-directeur van het Institute of Biomedicine aan de Universiteit van Oost-Finland. . Lena Latoninadie het experimentele deel van de studie leidde.

De AI-methode die in dit onderzoek is ontwikkeld, produceert computerbeelden die sterk lijken op die van het daadwerkelijke chemische kleuringsproces. Dit ruwweg gekleurde beeld kan vervolgens worden gebruikt om de weefselmorfologie te onderzoeken. Virtuele kleuring vermindert de chemische belasting en handarbeid die nodig is om monsters te verwerken, terwijl het gebruik van weefsels voor andere doeleinden dan de kleuring zelf mogelijk wordt.

De kracht van de voorgestelde hypothetische kleuringsmethode is dat er geen speciale hardware of infrastructuur voor nodig is, behalve gewone lichtmicroscopie en een geschikte computer.

“De resultaten zijn zeer breed toepasbaar. Er zijn veel onderzoeksthema’s en computationele methoden kunnen nog worden verbeterd. We kunnen ons echter al veel toepassingsgebieden voorstellen waar virtuele kleuring een significante impact zou kunnen hebben op de histopathologie,” hij zegt Universitair hoofddocent prof Becca Rossovori van de Universiteit van Turku, die het computationele deel van de studie leidde.

Baanbrekend onderzoek met internationale financiering

Een belangrijke factor die de studie mogelijk maakte, was financiering door het consortium verkregen uit de ERAPerMed Joint Transnational Call. Het ABCAP-consortium bestaat uit Scandinavische onderzoeksgroepen die AI-gebaseerde borstkankerdiagnostiek ontwikkelen voor gepersonaliseerde geneeskunde en wordt gefinancierd door ERAPerMed, de Nordic Cancer Union en de Academie van Finland. Latonen en Ruusuvuori leiden elk hun eigen deelprojecten.

“Dit onderzoek is echt interdisciplinair. Zonder financiering door het consortium zal het erg moeilijk zijn om voldoende middelen te vinden voor zowel experimenteel laboratoriumwerk als computationele inspanningen om studies als deze mogelijk te maken”, erkende Rossovorye-Woltonen.

Dit interdisciplinaire onderzoek put uit expertise in weefselbiologie, weefselprocessen, beeldbio-informatica en kunstmatige intelligentie. Het eerste deel van de studie in twee fasen was gericht op het optimaliseren van de stappen voor verwerking van weefselmonsters en beeldvorming, en werd uitgevoerd door de doctoraatsonderzoeker Sonya Koivukowski van de Universiteit van Oost-Finland. Systematische beoordeling van histologische levensvatbaarheid was een uniek onderdeel van de studie.

Bij de ontwikkeling van computationele methoden met behulp van AI ontbreekt het vaak aan een goede inschatting van de haalbaarheid vanuit het perspectief van de eindgebruiker. Dit kan ertoe leiden dat methoden worden ontwikkeld en gepubliceerd, maar uiteindelijk nooit in de praktijk worden toegepast. Daarom is het bijzonder belangrijk om computationele kennis te combineren met domeingebaseerde kennis die zich al in de ontwikkelingsfase bevindt, zoals in ons onderzoek is gedaan”, aldus Latonen en Koivukoski.

Groot potentieel voor computationele methoden

Diep neuraal netwerkleren zorgt voor grote hoeveelheden gegevens die het gebied van biomedische beeldanalyse snel hebben veranderd. Naast traditionele beeldanalysetaken, zoals beeldinterpretatie, zijn deze methoden ook geschikt voor beeld-naar-beeldconversies. Virtuele inkleuring is een voorbeeld van zo’n taak, zoals met succes is aangetoond in de twee gepubliceerde delen van het werk. Het tweede deel was gericht op het optimaliseren van virtuele inkleuring op basis van generatieve neurale netwerken, met een doctoraatsonderzoeker Umair Khan van de Universiteit van Turku als hoofdontwikkelaar.

“Diepe neurale netwerken zijn in staat om te presteren op een niveau dat we ons een tijdje geleden niet hadden kunnen voorstellen. Op kunstmatige intelligentie gebaseerde virtuele kleuring kan een enorme impact hebben bij het efficiënter verwerken van monsters in pathologische anatomie”, zegt Khan.

Naast AI-algoritmen was de sleutel tot succes de beschikbaarheid van krachtige computerdiensten via CSC.

“In Finland hebben we een uitstekende infrastructuur voor high-performance parallel computing. Dergelijk intensief computationeel onderzoek zou niet mogelijk zijn geweest zonder de mogelijkheden van CSC”, zegt Rossovori.

De resultaten van het onderzoek zijn gepubliceerd in twee internationale peer-reviewed tijdschriften, Laboratorium onderzoeken En patronen.