Aprendizado Profundo: Revolucionando Automação de Inspeção em Ciências da Vida

Como o Aprendizado Profundo Automatiza Inspeção para a Indústria de Ciências da Vida

Fonte Original do Artigo: Autor Brian Benoit

A indústria de ciências da vida é famosa por pesquisa intensiva em capital e dispositivos médicos que avançaram práticas de imagem médica, teste de amostras e fabricação de medicamentos. Estes dispositivos têm capacidades de visão de máquina integradas em seu design.

No entanto, para certas aplicações de automação de laboratório, visão de máquina não consegue igualar suficientemente a flexibilidade da mente humana para tomar decisões baseadas em julgamento. Computadores são famosamente confundidos por fundos complexos e problemas de qualidade de imagem, como reflexo especular. Isso torna incrivelmente difícil para algoritmos tradicionais de visão de máquina localizar um objeto ou região de interesse com precisão, especialmente para identificar anomalias em meio a uma cena não estruturada. Pode ser demorado e difícil, se não impossível, para sistemas automatizados identificar regiões de interesse com sucesso enquanto ignoram características irrelevantes.

Hoje, no entanto, avanços em análise de imagem baseada em aprendizado profundo podem automatizar estas aplicações para que sejam realizadas de forma confiável e repetida — em termos de visão de máquina, "robustamente".

Detecção de Defeitos em Ciências da Vida

Aplicações de microscopia clínica e pesquisa que anteriormente requeriam inspeção humana estão sendo reinventadas com aplicação de análise de imagem baseada em aprendizado profundo. Amostras patológicas e histológicas, por exemplo, requerem detecção e segmentação precisa de defeitos apesar dos padrões variáveis e imprevisíveis dos defeitos.

Quando você considera o desafio de detectar anomalias celulares e danos celulares em uma lâmina histológica (tecido celular), as aparências visuais potenciais são alucinantes.

Uma célula cancerosa pode aparecer em vários tamanhos e formas, e suas várias formas são, na maioria dos casos, mais diferentes do que similares. É efetivamente impossível ensinar um sistema de inspeção a identificar todas anomalias possíveis sem programação extensiva, e mesmo então, a possibilidade de identificação falsa ou rejeição é alta. Numa situação como esta, análise de imagem baseada em aprendizado profundo em modo não supervisionado oferece modo de inspeção altamente preciso e eficiente.

Em nossa aplicação de detecção de anomalias celulares, um engenheiro de treinamento usa imagens de amostra de possíveis anomalias celulares, como câncer, para ensinar o software a conceitualizar e generalizar a aparência normal de uma célula ou aglomerados celulares. Estas lâminas são rotuladas como exemplos "bons" de células saudáveis e levam em consideração variantes normais de células saudáveis, como mitose. Então, durante execução, quaisquer variações são sinalizadas como anômalas e provavelmente exemplificando dano celular. Esta aplicação requer um passo adicional.

Uma vez que uma célula ou aglomerado é sinalizado, a região de interesse particular precisa ser segmentada dinamicamente em tempo real para revisão adicional. A exibe dano potencial, afinal, porque sua aparência desvia da norma, mas não é necessariamente cancerosa. Estes desvios podem ser causados por artefatos na lâmina.

Normalmente, um inspetor humano — provavelmente um patologista — teria que revisar este subconjunto de amostras para fazer diagnóstico firme. Mas novamente, o software baseado em aprendizado profundo da Cognex pode re-rodar seu algoritmo sobre as zonas alvo do subconjunto — desta vez com re-treinamento em modo supervisionado — para distinguir entre "boas" (toleráveis, não danificadas) e "ruins" (patológicas, danificadas) células.

Reconhecimento Óptico de Caracteres em Ciências da Vida

Muitos fornecedores médicos dependem de identificação automática para rastreabilidade e atender regulamentos de segurança. Caracteres alfanuméricos legíveis por humanos podem facilmente apresentar-se deformados para a câmera de um sistema de inspeção automatizado se presentes em material elástico, moldável como bolsa de soro. Reflexo especular e reflexão também podem confundir o sistema, obscurecendo e mudando a aparência natural do código.

Mesmo sem estas variações visuais, ainda pode ser imensamente demorado ensinar um sistema de visão a reconhecer diferentes fontes, como no caso de verificação óptica de caracteres (OCV), quando o sistema de inspeção não pode antecipar que estilo de fonte encontrará. É aqui que uma biblioteca omni-fonte pré-treinada pode ser útil. Uma ferramenta baseada em aprendizado profundo pré-treinada para reconhecer várias fontes essencialmente funciona out-of-the-box; não há treinamento baseado em imagem prévio necessário, e o treinamento mínimo que ocorre só acontece em caracteres perdidos para refinar a lógica do modelo.

Implementação rápida, fácil e ajustes limitados de aplicação tornam OCR baseado em aprendizado profundo uma escolha óbvia para aplicações envolvendo caracteres deformados, distorcidos e mal gravados ou em aplicações de verificação quando a câmera certamente encontrará ampla gama de fontes desconhecidas.

Verificação de Montagem em Ciências da Vida

Dispositivos de automação de laboratório como analisadores clínicos e dispositivos diagnóstico in-vitro dependem de visão de máquina para garantir que amostras sejam perfeitamente inseridas e alinhadas para condições ótimas de teste. Fabricantes de dispositivos diagnósticos confiam na precisão das medições e resultados de suas máquinas. Talvez mais importante, confiam em configurações de teste precisas e montagem de deck, que fornecem ao dispositivo dados precisos para que testes sejam realizados corretamente e uniformemente.

A montagem correta de amostras de teste — sangue, urina ou tecido — no que é conhecido como pré-verificação de montagem é essencial para reduzir erros potenciais que poderiam ameaçar contaminação, misturar ou rotular diagnósticos incorretamente, ou desacelerar ou quebrar equipamentos caros. Durante estas inspeções, o sistema automatizado deve verificar que não há tubos de teste desalinhados ou ausentes, tampas não removidas, ou vasos estranhos carregados no rack do analisador. Verificar que o rack do equipamento foi populado completa e corretamente envolve gerenciar vários fatores: tubos e vasos de amostra e reagente variam por fabricante em forma, tamanho e dimensão, e pode ser impossível para a máquina prever a posição de amostras no deck.

Com estas variações imprevisíveis em configurações de teste, faz sentido usar aprendizado profundo para realizar verificação de montagem. Software baseado em aprendizado profundo da Cognex pode aprender a aparência variável de diferentes amostras e reagentes, bem como suas localizações imprevisíveis e variáveis, baseada em um conjunto de imagens de treinamento.

A ferramenta generaliza as características distintivas das amostras e reagentes baseadas em seu tamanho, forma e características de superfície e aprende sua aparência normal, bem como sua localização geral nos racks ou microplacas do deck. Desta forma, aprendizado profundo é capaz de automatizar e resolver uma aplicação anteriormente difícil de programar de forma rápida, altamente precisa e fácil de implantar.

Classificação em Ciências da Vida

Ascertar a qualidade de uma amostra de sangue ainda requer quantidade significativa de julgamento humano. Isso porque uma amostra adequadamente preparada que foi centrifugada e indexada precisa receber pontuações individuais para turbidez e cor do plasma. Baseado em como as amostras são carregadas na máquina analisadora, suas aparências podem variar e sangue pode aparecer relativamente mais ou menos separado. Isso afeta indexação.

Por exemplo, uma amostra com plasma, camada leucocitária e hemácias mais claramente estratificadas seria avaliada mais altamente que uma com fases menos distintas. Mas num ambiente de laboratório altamente automatizado que confia em bons fluxos de trabalho, esta abordagem não é ideal. Felizmente, análise de imagem baseada em aprendizado profundo pode imitar inteligência humana e avaliar qualidade da separação de uma amostra centrifugada. Mas o processo de gestão de qualidade envolve um passo adicional: classificação.

Apenas amostras com nota de aprovação serão permitidas para teste. Isso torna imperativo para o sistema de inspeção ser capaz de generalizar e conceitualizar a aparência de "boas" (i.e, bem separadas) fases de hemácias. Faz isso baseada em fatores como cor do plasma, turbidez e volume da camada leucocitária, que são todos critérios usados no processamento de amostras.

Aprendizado profundo é a única ferramenta de automação capaz de classificar, ordenar e graduar inteligentemente múltiplos objetos dentro de uma única imagem. Neste caso, Cognex Deep Learning é capaz de ordenar múltiplas classes dentro de um único frasco de sangue para identificar e aprovar apenas aquelas amostras que atendem critérios de teste.

Como a mais recente solução de automação para aplicações complexas de ciências da vida, as ferramentas baseadas em aprendizado profundo da Cognex estão convenientemente disponíveis tanto como prontas para uso quanto sistemas OEM para serem projetadas diretamente em dispositivos de automação de laboratório. Com resultados altamente confiáveis e baixa demanda em infraestruturas adicionais como CPUs ou PCs embarcados, o software baseado em aprendizado profundo da Cognex é uma adição natural ao arsenal de ferramentas de inspeção de visão de máquina da indústria de ciências da vida.