Aprendizaje Profundo: Revolucionando la Automatización de Inspección en Ciencias de la Vida

Cómo el Aprendizaje Profundo Automatiza la Inspección para la Industria de Ciencias de la Vida

Fuente Artículo Original: Autor Brian Benoit

La industria de ciencias de la vida es famosa por investigación intensiva en capital y dispositivos médicos que han avanzado prácticas de imagen médica, pruebas de muestras y fabricación de fármacos. Estos dispositivos tienen capacidades de visión artificial integradas en su diseño.

Sin embargo, para ciertas aplicaciones de automatización de laboratorio, la visión artificial no puede igualar suficientemente la flexibilidad de la mente humana para tomar decisiones basadas en juicio. Las computadoras se confunden famosamente con fondos complejos y problemas de calidad de imagen, como reflejos especulares. Esto hace increíblemente difícil para algoritmos tradicionales de visión artificial localizar un objeto o región de interés con precisión, especialmente para identificar anomalías en escena no estructurada. Puede ser lento y difícil, si no imposible, para sistemas automatizados identificar regiones de interés ignorando características irrelevantes.

Hoy, sin embargo, avances en análisis de imagen basado en aprendizaje profundo pueden automatizar estas aplicaciones para que se realicen de forma fiable y repetida —en jerga de visión artificial, "robustamente".

DESCARGAR: Guía de Soluciones de Aprendizaje Profundo para Ciencias de la Vida

Detección de Defectos en Ciencias de la Vida

Aplicaciones de microscopía clínica e investigación que antes requerían inspección humana se reinventan con análisis de imagen basado en aprendizaje profundo. Muestras patológicas e histológicas, por ejemplo, requieren detección y segmentación precisa de defectos a pesar de patrones variables e impredecibles.

Considere el reto de detectar anomalías y daño celular en portaobjetos histológicos (tejido celular): las apariencias visuales potenciales son alucinantes.

Una célula cancerosa puede aparecer en varios tamaños y formas, y sus diversas formas son, en la mayoría de casos, más diferentes que similares. Es efectivamente imposible enseñar a un sistema de inspección a identificar todas las anomalías posibles sin programación exhaustiva, y aun así, la posibilidad de falso rechazo o identificación es alta. En situación así, el análisis de imagen basado en aprendizaje profundo en modo no supervisado ofrece modo de inspección altamente preciso y eficiente.

En nuestra aplicación de detección de anomalías celulares, un ingeniero de entrenamiento usa imágenes de muestra de posibles anomalías celulares, como cáncer, para enseñar al software a conceptualizar y generalizar la apariencia normal de una célula o grupos celulares. Estas láminas se etiquetan como ejemplos "buenos" de células sanas y consideran variantes normales sanas, como mitosis. Luego, en ejecución, cualquier variación se marca como anómala y probablemente ejemplificando daño celular. Esta aplicación requiere un paso más.

Una vez una célula o grupo es marcado, la región de interés particular necesita segmentarse dinámicamente en tiempo real para revisión posterior. La célula exhibe daño potencial, al desviarse de la norma, pero no es necesariamente cancerosa. Estas desviaciones podrían ser causadas por artefactos en la lámina.

Normalmente, un inspector humano —probablemente patólogo— tendría que revisar este subconjunto para diagnóstico firme. Pero de nuevo, el software de aprendizaje profundo de Cognex puede re-ejecutar su algoritmo sobre zonas objetivo subconjunto —esta vez con re-entrenamiento en modo supervisado— para discriminar entre "buenas" (tolerables, no dañadas) y "malas" (patológicas, dañadas) células.

Reconocimiento Óptico de Caracteres (OCR) en Ciencias de la Vida

Muchos proveedores médicos confían en identificación automática para trazabilidad y cumplir regulaciones de seguridad. Caracteres alfanuméricos legibles por humanos pueden presentarse deformados a la cámara de sistema automatizado si están en material elástico, moldeable como bolsa IV. Reflejos especulares también confunden al sistema, ocultando y cambiando la apariencia natural del código.

Incluso sin estas variaciones visuales, puede ser inmensamente intensivo en tiempo enseñar a un sistema de visión a reconocer diferentes fuentes, como en verificación óptica de caracteres (OCV), cuando el sistema no puede anticipar qué estilo de fuente encontrará. Aquí una biblioteca omni-font pre-entrenada viene bien. Una herramienta basada en aprendizaje profundo pre-entrenada para reconocer varias fuentes esencialmente funciona out-of-the-box; no se requiere entrenamiento previo basado en imágenes, y el entrenamiento mínimo que ocurre solo pasa en caracteres fallados para refinar la lógica del modelo.

Implementación rápida, fácil y ajustes limitados de aplicación hacen al OCR basado en aprendizaje profundo opción obvia para aplicaciones con caracteres deformados, sesgados, mal grabados o en verificación cuando la cámara encontrará amplia gama de fuentes desconocidas.

Verificación de Montaje en Ciencias de la Vida

Dispositivos de automatización de laboratorio como analizadores clínicos y dispositivos diagnóstico in-vitro confían en visión artificial para asegurar que muestras estén perfectamente insertadas y alineadas para condiciones óptimas de prueba. El éxito de fabricantes de dispositivos diagnóstico depende de la precisión de mediciones y resultados de sus máquinas. Quizás lo más importante, confían en configuraciones de prueba y montaje de cubierta precisas, que dan al dispositivo datos precisos para que pruebas se realicen correcta y uniformemente.

El montaje correcto de muestras de prueba —sangre, orina, tejido— en lo que se conoce como pre-verificación de montaje es esencial para reducir errores potenciales que podrían amenazar contaminación, mezclar o diagnosticar erróneamente, o frenar/romper equipos costosos. Durante estas inspecciones, el sistema automatizado debe verificar que no hay tubos de prueba desalineados o ausentes, tapas no retiradas, o vasijas extrañas cargadas en rack del analizador. Verificar que el rack del equipo está poblado completa y correctamente implica gestionar varios factores: tubos y vasijas de muestra y reactivo varían por fabricante en forma, tamaño y dimensión, y puede ser imposible para la máquina predecir posición de muestras en la cubierta.

Con estas variaciones impredecibles en configuraciones de prueba, tiene sentido usar aprendizaje profundo para verificación de montaje. El software de aprendizaje profundo de Cognex puede aprender la apariencia variable de diferentes muestras y reactivos, así como sus ubicaciones impredecibles y variables, basado en set de imágenes de entrenamiento.

La herramienta generaliza rasgos distintivos de muestras y reactivos basándose en tamaño, forma y características de superficie y aprende su apariencia normal, así como su ubicación general en racks o microplacas de la cubierta. Así, el aprendizaje profundo automatiza y resuelve una aplicación previamente difícil de programar de forma rápida, altamente precisa y fácil de desplegar.

Clasificación en Ciencias de la Vida

Determinar la calidad de una muestra de sangre aún requiere juicio humano significativo. Esto es porque una muestra bien preparada, centrifugada e indexada necesita puntuaciones individuales para turbidez y color de plasma. Basado en cómo se cargan muestras en el analizador, sus apariencias pueden variar y la sangre puede aparecer relativamente más o menos separada. Esto afecta al indexado.

Ejemplo: muestra con plasma, capa intermedia (buffy coat) y glóbulos rojos más claramente estratificados se calificaría más alta que una con fases menos distintas. Pero en entorno de laboratorio altamente automatizado que confía en buenos flujos de trabajo, este enfoque no es ideal. Afortunadamente, el análisis de imagen basado en aprendizaje profundo puede imitar inteligencia humana y evaluar calidad de separación de muestra centrifugada. Pero el proceso de gestión de calidad involucra un paso más: clasificación.

Solo muestras con nota de paso serán permitidas para prueba. Esto hace imperativo que el sistema de inspección pueda generalizar y conceptualizar la apariencia de "buenas" (bien separadas) fases de glóbulos rojos. Lo hace basado en factores como color de plasma, turbidez y volumen de buffy coat, que son criterios usados en procesamiento de muestras.

El aprendizaje profundo es la única herramienta de automatización capaz de clasificar, ordenar y calificar inteligentemente múltiples objetos dentro de una sola imagen. En este caso, Cognex Deep Learning puede ordenar múltiples clases dentro de un solo vial de sangre para identificar y pasar solo aquellas muestras que cumplen criterios de prueba.

Como última solución de automatización para aplicaciones complejas de ciencias de la vida, las herramientas basadas en aprendizaje profundo de Cognex están convenientemente disponibles tanto off-the-shelf como sistemas OEM para diseñar directamente en dispositivos de automatización de laboratorio. Con resultados altamente fiables y baja demanda de infraestructuras adicionales como CPUs o PCs embebidos, el software de aprendizaje profundo de Cognex es adición natural al arsenal de herramientas de inspección de visión artificial de la industria de ciencias de la vida.