Non vi è niente di male nel usare l’intelligenza artificiale. Però, siamo sicuri che tale tecnologia ha scopi benefici?

Dan Iordache

Fu 20 anni fa, mentre completava il suo dottorato di ricerca, che la biologa computazionale Anne Carpenter si rese conto per la prima volta di aver bisogno di imparare la programmazione informatica.

Carpenter, che gestisce un laboratorio presso il Broad Institute del MIT e l’Harvard a Cambridge, nel Massachusetts, afferma di ricordare di aver affrontato tre mesi di analisi manuale delle immagini o la scelta di consentire al suo microscopio di funzionare da solo. Lei ha scelto quest’ultima. Da allora questo approccio automatizzato ha rivelato il suo potenziale per risolvere, o almeno iniziare ad affrontare, alcuni dei problemi che limitano gli scienziati che utilizzano tecniche microscopiche per osservare manualmente il funzionamento delle cellule. Ad esempio, l’automazione può ridurre il lavoro lungo e meticoloso di identificazione dei cambiamenti nelle cellule, noto come morfologia cellulare.

Il laboratorio di Carpenter si concentra sull’accelerazione della scoperta di farmaci utilizzando software per analizzare i dati di morfologia cellulare contenuti in milioni di immagini. “Ci sono così tanti colli di bottiglia nella pipeline di scoperta dei farmaci e i dati di queste immagini si stanno rivelando utili per ciascuno di essi: dalla costruzione di migliori test rilevanti per la malattia e migliori librerie di screening, alla previsione dei risultati dei test e della tossicità”, afferma.

I ricercatori sperano che l’introduzione di tecniche di deep learning nell’imaging e nell’analisi delle cellule possa trasformare problemi biologici disordinati in calcoli risolvibili.

Le limitazioni

Rebecca Richards-Kortum, professore di bioingegneria alla Rice University di Houston, in Texas, sta attualmente collaborando con il MD Anderson Cancer Center per affrontare alcuni dei limiti fondamentali della microscopia tradizionale. Quando si utilizza un microscopio convenzionale, esiste un compromesso fisso tra profondità di campo (DOF) e risoluzione spaziale: maggiore è la risoluzione spaziale desiderata, minore è la DOF. Lavorando con Ashok Veeraraghavan della Rice e Ann Gillenwater della MD Anderson, il team ha sviluppato un microscopio computazionale chiamato DeepDOF, che può ottenere una DOF cinque volte superiore a quella dei microscopi convenzionali pur mantenendo la sua risoluzione, riducendo significativamente il tempo necessario per l’elaborazione delle immagini.

DeepDOF utilizza una maschera di fase ottimizzata posizionata all’apertura del microscopio e un algoritmo basato sull’apprendimento profondo che trasforma i dati del sensore in immagini ad alta risoluzione e di grandi dimensioni, spiega Richards-Kortum.

“A causa del suo basso costo, dell’alta velocità e delle capacità di analisi automatizzata, speriamo che l’ambito DeepDOF possa espandere notevolmente il numero di centri chirurgici che hanno la capacità di valutare con precisione i margini del tumore del cancro orale al momento dell’intervento”, afferma. “La capacità di valutare con precisione il tessuto malato potrebbe aiutare a ottimizzare l’esito della rimozione chirurgica, soprattutto in contesti con risorse limitate, come le aree rurali”.

Una delle maggiori sfide per lo sviluppo delle sue innovative tecniche di assistenza sanitaria utilizzando la microscopia e l’intelligenza artificiale è la necessità di dimostrare “prospetticamente” i loro benefici, afferma.

Gli algoritmi di deep learning che alimentano i microscopi computazionali richiedono grandi set di dati per addestrarli a svolgere attività indipendenti, ma tali set di dati non sono sempre prontamente disponibili. Quindi le prestazioni di questi algoritmi devono essere valutate per confrontarle con l’attuale standard di analisi.

“Si tratta di una sfida comune a tutta la comunità delle tecnologie sanitarie”, afferma.

La sfida

Ricardo Henriques dirige il Laboratorio di Biologia delle Cellule Ottiche presso l’ Instituto Gulbenkian de Ciência , Portogallo. Il suo team interdisciplinare di fisici ottici, scienziati informatici e ricercatori biomedici lavora per migliorare i limiti dell’attuale tecnologia di imaging. Il team è concentrato su due sfide chiave: come analizzare il comportamento in tempo reale dei virus che infettano le cellule viventi e come stabilire una tecnologia di microscopia intelligente che riduca i danni causati dalla luce ai sistemi biologici durante la loro osservazione, nota come fototossicità.

Per immaginare che queste idee lavorino insieme, raccomanda di paragonare le cellule ai giocatori di calcio.

“Quindi vuoi filmare una partita di calcio, ma c’è qualcosa nella telecamera che è tossica per i giocatori”, dice Henriques. “Per ridurre il rischio per loro, devi ridurre al minimo la quantità di tempo che stai filmando, ma devi anche prendere buone decisioni su quali momenti chiave catturare per comprendere veramente il gioco”.

Il team di Henriques sta lavorando allo sviluppo di algoritmi di apprendimento automatico in grado di fare previsioni migliori su quando si verificheranno eventi chiave nelle cellule con il progredire di un’infezione virale e catturare quei momenti. Allo stesso tempo, questi algoritmi cercheranno di ridurre la quantità di tempo speso per catturare cambiamenti non rilevanti e alleviare l’esposizione che le cellule hanno in questi ambienti tossici.

Per Henriques, è stato importante creare un team interdisciplinare per affrontare queste idee, poiché il lavoro coinvolge più set di abilità scientifiche.

“Deve esserci un cambiamento di mentalità per portare completamente l’IA nella ricerca scientifica a tutti i livelli”, afferma.

Molte delle discipline inerenti alla microscopia, come la fisica e la biologia, hanno una naturale tendenza a lavorare separatamente a causa delle barriere linguistiche tra i campi e del modo in cui i finanziamenti sono regolarmente organizzati per indirizzare aree discrete, piuttosto che progetti collaborativi.

“Penso che le organizzazioni stiano lentamente investendo nella costruzione di questi ponti, ma occorre fare di più per incoraggiarlo”, afferma Henriques.

Costruire ponti

Il geoscienziato Matt Andrew lavora presso l’azienda di tecnologia ottica ZEISS a Dublino, in California, e la sua ricerca si concentra sui processi di flusso e trasporto nelle rocce porose e sedimentarie. Il lavoro di Andrew si è sempre più incentrato sullo sviluppo di tecnologie per fare un uso migliore dei dati prodotti dai microscopi, dice. Ora lavora con una varietà di team in tutta l’azienda per aiutare i colleghi a portare l’intelligenza artificiale nella loro pratica di ricerca.

Dice che la chiave per introdurre l’intelligenza artificiale nella pratica quotidiana della microscopia, che si tratti di cellule o rocce, è garantire che la tecnologia possa essere utilizzata da qualsiasi scienziato, indipendentemente dalla sua conoscenza delle tecniche di apprendimento profondo.

“La creazione di flussi di lavoro che sbloccano il potenziale e la potenza del deep learning, che funzionano rapidamente e sono facili da usare, è stata fondamentale per la loro adozione”, afferma Andrew.

Ad esempio, Andrew e il suo team utilizzano un processo chiamato Solutions Lab per creare flussi di lavoro che utilizzano l’intelligenza artificiale per rilevare automaticamente le regioni campione che gli scienziati potrebbero voler indagare. “Puoi utilizzare l’intelligenza artificiale per identificare le regioni che corrispondono alle singole caratteristiche che desideri visualizzare con una risoluzione molto più alta”, afferma, aggiungendo: “Le tecnologie di intelligenza artificiale utilizzano comunemente librerie open source e componenti condivisi; le nostre tecnologie hanno così tanto successo perché garantiamo sono molto più semplici da usare e vengono forniti in un pacchetto più facile da digerire.”

Andrew crede che siamo all’inizio di una rivoluzione nell’uso e nell’implementazione dei dati di microscopia.

“Se ripenso a 5 anni fa, non avevamo la più pallida idea di poter usare questo tipo di tecniche per la microscopia”, dice. “Ora ci stiamo muovendo verso un punto in cui avremo questi algoritmi al centro di ogni singola porzione di tutti i nostri luoghi di lavoro”.

Luciano Guerreiro Lucas, direttore di Leica Microsystems , con sede a Wetzlar, in Germania, è anche concentrato sulla creazione di soluzioni software intelligenti in grado di risolvere alcuni dei maggiori problemi che le comunità di scienze biologiche e biofarmaceutiche devono affrontare quando si tratta di dati di immagine. Negli ultimi 4 anni e mezzo, il suo
team ha creato una libreria di modelli di deep learning pre-addestrati e software Aivia che consentono a chiunque di sfruttare alcune tecnologie chiave di microscopia AI.

“Gli strumenti attuali ignorano il fatto che i ricercatori possono essere esperti in biologia o in una disciplina simile, ma hanno competenze molto limitate nella microscopia o nell’analisi delle immagini”, afferma Lucas. “Stiamo creando strumenti che sfruttano l’esperienza del biologo e imparano da loro. Tali strumenti dovrebbero gradualmente apprendere cos’è una cellula e come può apparire in più scenari e, infine, eseguire l’imaging e l’analisi delle immagini in modo autonomo, consentendo al ricercatore di concentrarsi sul parte del pensiero creativo e critico del processo di scoperta scientifica.”

Lucas afferma che la sfida attuale per realizzare questa idea è una fornitura limitata di dati strutturati di alta qualità e la mancanza di formati di immagine standard.

“Questi problemi rendono difficile progredire più velocemente nel nostro campo. Inoltre, i dati che esistono tendono a essere conservati in silos isolati. È difficile coordinare un ampio accordo sugli standard di file e dati nello spazio di ricerca. A tutti i ricercatori piace fare le cose a modo loro.”

“I settori commerciali e accademici devono investire più tempo nell’educare la comunità sui vantaggi della risoluzione di questi problemi,” afferma.

Portare l’intelligenza artificiale nei laboratori

Rich Gruskin è senior general manager per i sistemi software di Nikon Instruments , con sede a Melville, New York. Lavora a stretto contatto con i clienti per garantire che i ricercatori siano facilmente in grado di adottare la tecnologia AI.

In un caso recente, il cliente stava cercando di identificare più tipi di cellule nei propri dati di immagine privi di etichette (campo chiaro). Poiché si trattava di immagini a basso contrasto che differivano solo per caratteristiche morfologiche a volte sottili, diverse reti di intelligenza artificiale sono state addestrate a lavorare insieme in un’analisi per distinguere i diversi tipi di cellule.

“Abbiamo addestrato una rete neurale utilizzando i set di dati del cliente. L’abbiamo eseguita e funziona molto bene”, afferma. “A volte, se c’è resistenza a provare qualcosa di nuovo, interveniamo e aiutiamo i clienti a elaborare le informazioni, creare nuove routine e mostrare loro come funziona. Garantire che l’applicazione sia indolore e che i risultati siano rapidamente ottenibili è la chiave per creare fiducia nell’uso delle nuove tecnologie”.

Fonte: https://www.science.org/