Investigador do HSBI desenvolve IA para uma segmentação celular mais eficiente - boa para a investigação farmacêutica, por exemplo
As imagens de células segmentadas são extremamente importantes na investigação e diagnóstico biomédicos. E são extremamente dispendiosas. Embora a inteligência artificial (IA) possa agora também efetuar a segmentação de células, requer treino com uma grande quantidade de dados rotulados: Dados que têm de ser rotulados manualmente por especialistas. A estudante de doutoramento Eiram Mahera Sheikh, da Universidade de Ciências Aplicadas de Bielefeld, está a investigar a forma como este processo pode ser acelerado de forma inteligente, no âmbito da rede de investigação SAIL. Já está a utilizar a IA, ou mais precisamente, a aprendizagem ativa profunda, para preparar os dados de treino.
As duas imagens apresentadas no computador são imagens das mesmas células biológicas. À esquerda, a imagem microscópica de algumas células estaminais pancreáticas num substrato poroso: os pequenos pontos brancos, de diferentes tamanhos, de forma alongada, ligeiramente desfocados contra um fundo cinzento, são as células individuais. Não é assim tão fácil dizer se um pixel ainda pertence à célula ou se já faz parte do fundo. Eiram Mahera Sheikh chama a atenção dos visitantes para o lado direito: a mesma disposição de células, mas desta vez com cores diferentes e claramente demarcadas do fundo, agora preto. "Com esta máscara, a imagem é muito mais fácil de analisar. Aqui, as células são claramente segmentadas com a ajuda da IA, ou inteligência artificial". Sheikh quer garantir que este processo possa ser efectuado de forma ainda mais eficiente no futuro - tornando a IA inteligente utilizando a IA. Por outras palavras, quer permitir que a formação necessária da IA de segmentação celular ocorra mais rapidamente do que antes, utilizando um processo de IA.
A IA deve identificar as regiões da imagem que são particularmente importantes para a aprendizagem da segmentação celular. Isto significaria que todos os pixéis da imagem já não precisariam de ser etiquetados à mão, mas apenas aqueles que são particularmente valiosos como dados de treino.
P. Pollmeier/HSBI
Valiosa para a terapia do cancro, entre outras coisas: a segmentação celular fornece informações sobre as alterações a nível celular
Mas primeiro as coisas mais importantes: Após vários anos de trabalho, a cientista informática de 33 anos, de origem indiana, especializou-se em ciência de dados e IA no âmbito de um mestrado. Agora, ingressou na Universidade de Ciências Aplicadas de Bielefeld (HSBI) como estudante de doutoramento. Com a segmentação celular, escolheu um tema de grande importância para a investigação e o diagnóstico biomédicos: "A análise de imagens de células segmentadas fornece informações importantes sobre as caraterísticas das células, as alterações patológicas ou a forma como as células reagem a determinadas substâncias activas", explica Eiram Mahera Sheikh. "Esta informação é importante na terapia do cancro ou na investigação farmacológica, por exemplo." No entanto, a investigação de Sheikh começa dois passos antes - a um meta-nível, por assim dizer. "A segmentação celular pode agora ser efectuada por IAs. Estou interessado em treinar esta IA". E isso é muito importante...
O doutoramento sobre segmentação celular está a ser realizado no âmbito da rede de investigação OWL SAIL
O Prof. Dr. Wolfram Schenck está sentado numa sala de reuniões no HSBI. Ouve atentamente a apresentação de Sheikh e olha para as imagens projectadas na parede. Os resultados provisórios do estudante de doutoramento estão a ser discutidos. O projeto faz parte da rede de investigação interdisciplinar SAIL. A sigla significa SustAInable Life-Cicle of Intelligent Socio-Technical Systems (Ciclo de Vida Sustentável de Sistemas Sócio-Técnicos Inteligentes): Ciclo de Vida Sustentável de Sistemas Socio-técnicos Inteligentes. Na rede, que é financiada pelo Estado da Renânia do Norte-Vestefália até 14,8 milhões de euros, a Universidade de Bielefeld, líder do consórcio, a HSBI, a TH OWL e a Universidade de Paderborn estão a cooperar com o objetivo de tornar os sistemas de IA transparentes, seguros, sustentáveis e robustos ao longo de todo o seu ciclo de vida. Para tal, está a ser adoptada uma visão de 360 graus da IA: Os cerca de 90 cientistas da rede estão envolvidos na investigação fundamental no domínio da IA, bem como no seu impacto nas pessoas e na sociedade e em aplicações específicas no domínio da Indústria 4.0 e dos cuidados de saúde inteligentes. Wolfram Schenck, Professor de Engenharia Informática, Diretor Científico do Data Analytics Cluster do Center for Applied Data Science (CfADS) no campus de Gütersloh e porta-voz do HSBI para o projeto SAIL, está a supervisionar o doutoramento de Eiram Mahera Sheik, que se situa na interface da investigação fundamental e dos cuidados de saúde, mas também fornece perspectivas para além disso.
Rotulagem de dados de imagem: Como se pode poupar o tempo de peritos altamente especializados?
Schenck explica os desafios do trabalho de Sheik: "Para aprender a segmentação celular, a IA de segmentação celular precisa de muitos dados rotulados para treino. Trata-se de dados de imagem ao nível dos píxeis que são rotulados e classificados com informações adicionais". Um processo complexo, porque em termos concretos significa que, para cada pixel de uma imagem de células biológicas, é necessário determinar se pertence à classe "fundo", à classe "membrana" ou à classe "corpo celular", por exemplo. Schenck explica: "Atualmente, esta rotulagem só pode ser feita manualmente por especialistas que sabem exatamente o que deve ser visto." Membrana celular? Célula morta? Fundo? - Píxel a píxel, alguém que saiba algo sobre o assunto tem de fazer o trabalho entediante e algo monótono antes que a IA possa ser adaptada para a segmentação de certas células.
"Porque o trabalho é tão demorado e monótono, os especialistas estão relutantes em fazê-lo", acrescenta a Dra. Constanze Schwan. "Para além disso, a marcação é também muito dispendiosa devido ao longo processo e à utilização de especialistas altamente qualificados." Schwan juntou-se ao debate. A cientista informática do programa Career@BI do HSBI não só ensina no Departamento de Engenharia e Matemática, como também trabalha no departamento de investigação da empresa de biotecnologia Miltenyi Biotec, em Göttingen. Ela traz necessidades práticas para a mesa: "Seria um grande passo em frente se houvesse um modelo ou algoritmo que reduzisse o esforço necessário para a rotulagem". Isto porque os métodos de segmentação existentes, que são adequados para a condução autónoma, por exemplo, atingem os seus limites no caso das imagens microscópicas. Isto deve-se em parte às estruturas mais complexas e mais finas que se encontram nas imagens. Trata-se frequentemente de pilhas de imagens num eixo temporal para estruturas 3D. "Estas imagens ou pilhas de imagens contêm frequentemente estruturas complexas que são difíceis de segmentar", explica o Dr. Alaa Othman, que completa a equipa. Como líder de um grupo de investigação júnior na rede SAIL, o engenheiro eletrotécnico está a supervisionar o doutoramento de Sheikh juntamente com o Prof. Schenck.
Progresso à vista: a IA de Sheikh separa os dados de treino sem importância de
Para evitar o problema das estruturas complexas e aliviar as equipas de especialistas que têm de treinar a IA de segmentação celular, Eiram Mahera Sheikh está a confiar na IA. "O meu objetivo é identificar as regiões da imagem que são particularmente importantes para a aprendizagem da segmentação celular. Isto significaria que nem todos os pixéis da imagem teriam de ser etiquetados à mão, mas apenas aqueles que são particularmente valiosos como dados de treino". Este tipo de seleção orientada de potenciais dados de treino chama-se "aprendizagem ativa", explica Schenck: "E como os algoritmos de IA para a segmentação celular provêm da aprendizagem profunda, também nos referimos a isto como 'aprendizagem ativa profunda'."
Sheikh identificou agora os dados de treino mais valiosos: "São os mais incertos, aqueles em que o algoritmo de IA tem dificuldades, por exemplo, devido ao fraco contraste da imagem ou devido a células que se sobrepõem ou têm uma forma irregular". Por conseguinte, apenas estas devem ser analisadas e rotuladas por especialistas no futuro, enquanto o esforço pode ser poupado nos casos claros porque a IA de Sheik já fez a rotulagem. "Basicamente, a IA de segmentação celular aprende com menos dados e, no entanto, de forma tão eficaz que, mais tarde, ainda pode fazer segmentações celulares precisas", resume Alaa Othman.
É possível transferir as descobertas para outras aplicações, por exemplo, para a condução autónoma
Resta saber como se determina a importância dos potenciais dados de treino. Deve ser considerada toda a imagem? Ou é necessário tomar decisões locais e seccionais? O grupo mergulha na discussão, que um leigo rapidamente deixa de conseguir acompanhar. "Em última análise, o projeto fornece investigação básica orientada para a aplicação", diz Wolfram Schenck. Isto porque os algoritmos de aprendizagem ativa profunda desenvolvidos por Eiram Mahera Sheikh, que dividem os dados de imagem em regiões importantes e não importantes para o treino de IA e tornam a segmentação celular mais eficaz e eficiente em geral, também podem ser utilizados para outras aplicações, como a imagiologia médica, a condução autónoma ou a análise de imagens de satélite. Schenck: "Mais uma vez, a abordagem holística e sustentável do projeto SAIL torna-se clara."
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Alemão pode ser encontrado aqui.
Outras notícias do departamento ciência
