Cómo ayuda el aprendizaje profundo a automatizar inspecciones en la industria de ciencias biológicas

deep learning life sciences

La industria de ciencias biológicas es conocida por su alta inversión en investigación y dispositivos médicos que han avanzado la práctica del diagnóstico por imágenes, el análisis de muestras y la fabricación de fármacos. Estos dispositivos cuentan con capacidades de visión artificial integrada en su diseño.

Sin embargo, en ciertas aplicaciones de automatización de laboratorio, la visión artificial no puede igualar la flexibilidad de la mente humana para tomar decisiones basadas en juicios. Las computadoras son famosas por confundirse por los fondos ocupados y los problemas de calidad de imagen, como el brillo especular. Esto hace que a los algoritmos de visión artificial tradicional les resulte increíblemente difícil localizar con precisión un objeto o zona de interés para identificar las anomalías, especialmente en medio de un entorno no estructurado. A los sistemas automatizados pueden llevarle tiempo y resultarle difícil, por no decir imposible, identificar con éxito las zonas de interés e ignorar las características irrelevantes.

Sin embargo, en la actualidad los desarrollos en los análisis de imágenes basados en el aprendizaje profundo pueden automatizar estas aplicaciones para ser realizadas de forma fiable y repetitiva —como se dice en el área de visión artificial, de forma sólida.

Detección de defectos en ciencias biológicas

Gracias al análisis de imágenes basado en el aprendizaje profundo, se están reinventando las aplicaciones de la microscopía clínica y de investigación que antes requerían la inspección humana. Por ejemplo, las muestras patológicas e histológicas requieren una detección de defectos y segmentación precisas, a pesar de los patrones variables e impredecibles de los defectos.

Al considerar el desafío que presenta detectar anormalidades celulares y daños celulares en un portaobjetos histológico (tejido celular), las posibles apariencias visuales son asombrosas.

detección de defectos con aprendizaje profundo para ciencias biológicas 

Una célula cancerosa puede ser de múltiples tamaños y formas que, normalmente, son más diferentes que similares entre ellas. Es imposible entrenar a un sistema de inspección para que identifique todas las posibles anormalidades sin muchísimo trabajo de programación e, incluso en ese caso, la probabilidad de falsas identificaciones o rechazos es alta. En estas situaciones, el análisis de imágenes basado en aprendizaje profundo en el modo sin supervisión ofrece inspecciones de alta precisión y eficientes.

En nuestra aplicación de detección de anormalidades celulares, un ingeniero de entrenamiento utiliza imágenes de muestra de posibles anormalidades celulares, como el cáncer, para enseñar al software a conceptualizar y generalizar el aspecto normal de una célula o grupos de células. Estas muestras se clasifican como ejemplos “buenos” de células sanas y tienen en cuenta variaciones celulares sanas normales, como la mitosis. Luego, durante la ejecución, cualquier variación se etiqueta como anómala y posible ejemplo de daño celular. Esta aplicación necesita de un paso adicional.

Una vez etiquetada una célula o un grupo celular, la región de interés específica debe ser segmentada dinámicamente en tiempo real para una revisión posterior. La célula muestra un posible daño porque su apariencia se desvía de la norma, pero no es necesariamente cancerosa. Estas desviaciones podrían ser causadas por artefactos en la muestra.

En términos generales, un inspector humano (posiblemente un patólogo) debe controlar este subgrupo de muestras para realizar un diagnóstico firme. Sin embargo, el software basado en el aprendizaje profundo de Cognex puede volver a ejecutar su algoritmo sobre el subconjunto de áreas objetivo —esta vez con un reentrenamiento en modo supervisado— para distinguir entre las células “buenas” (tolerables, no dañadas) y las “malas” (patológicas, dañadas).

Reconocimiento óptico de caracteres en las ciencias biológicas

Muchos proveedores médicos confían en la identificación automática para la trazabilidad y para cumplir con las normas de seguridad. Los caracteres alfanuméricos legibles por el hombre pueden presentarse fácilmente como deformados a la cámara de un sistema de inspección automatizada si están presentes sobre un material elástico y moldeable, como una bolsa intravenosa. El brillo especular y el reflejo también pueden confundir el sistema, al oscurecer y cambiar el aspecto natural de los códigos.

OCR basado en el aprendizaje profundo para ciencias biológicas

Incluso sin estas variaciones visuales, puede llevar mucho tiempo entrenar un sistema de visión para que reconozca diferentes fuentes, como con la verificación óptica de caracteres (OCV), cuando el sistema de inspección no puede anticipar el tipo de fuente que encontrará. En estos casos, es útil contar con una biblioteca omnifuente preentrenada. Una herramienta basada en el aprendizaje profundo preentrenada para reconocer diferentes fuentes se puede usar prácticamente apenas se instala; no se requiere entrenamiento inicial basado en imágenes y el entrenamiento mínimo necesario solo ocurre en caracteres perdidos para refinar la lógica del modelo.

La rápida y fácil implementación y los limitados ajustes de las aplicaciones hacen que el OCR basado en el aprendizaje profundo sea una opción obvia para aplicaciones que impliquen caracteres deformados, torcidos y mal grabados o en aplicaciones de verificación donde la cámara seguramente se encuentre con una amplia variedad de fuentes desconocidas.

Verificación del montaje en ciencias biológicas

Los dispositivos de automatización del laboratorio, como los analizadores clínicos y los dispositivos de diagnóstico in vitro, se basan en la visión artificial para garantizar que las muestras se insertan y alinean perfectamente para que las condiciones de prueba sean óptimas. El éxito de los fabricantes de dispositivos de diagnóstico depende en la precisión de las mediciones y resultados de sus máquinas. Quizás lo más importante es que confían en la precisión de la ubicación de las pruebas y la colocación de la cubierta, que proporcionan al dispositivo datos precisos para que las pruebas se realicen de forma correcta y uniforme.

verificación de colocación con aprendizaje profundo para ciencias biológicas

La colocación correcta de muestras de análisis (sangre, orina o tejidos) en lo que se conoce como verificación precolocación es fundamental para disminuir los posibles errores que puedan generar contaminación, diagnósticos mezclados o mal etiquetados, o ralentización o ruptura de equipos costosos. Durante estas inspecciones, el sistema automatizado debe verificar que no haya tubos de ensayo mal alineados o faltantes, que las tapas estén en su lugar o que se hayan cargado recipientes extraños en el estante de analizador. Verificar que el estante del equipo se ha llenado completa y correctamente implica gestionar varios factores: los tubos y recipientes de muestras y reactivos varían según el fabricante en cuanto a su forma, tamaño y dimensión y puede ser imposible para la máquina predecir la posición de las muestras sobre el estante.

Estas variaciones impredecibles en el armado de los análisis hacen que usar el aprendizaje profundo para la verificación del montaje sea razonable. El software basado en aprendizaje profundo de Cognex puede aprender la variable apariencia de diferentes muestras y reactivos, al igual que sus ubicaciones impredecibles y variables, basadas en un conjunto de imágenes de entrenamiento.

Esta herramienta generaliza las características distintivas de las muestras y los reactivos en función de su tamaño, forma y las características de la superficie, y aprende su apariencia normal, así como su ubicación general en las estanterías o microplacas. Así, el aprendizaje profundo puede automatizar y resolver una aplicación que antes era difícil de programar en forma rápida, precisa y fácil de implementar.

Clasificación de ciencias biológicas

Determinar la calidad de una muestra de sangre todavía necesita de una gran cantidad de juicio humano. Esto se debe a que una muestra correctamente preparada, centrifugada e indexizada, necesita recibir puntuaciones individuales de turbidez y color del plasma. En función de cómo se cargan las muestras en la máquina analizadora, su apariencia puede variar y la sangre puede verse más o menos separada. Esto afecta la indexización.

clasificación basada en el aprendizaje profundo para ciencias biológicas

Por ejemplo, una muestra con plasma, capa leucocitaria y glóbulos rojos más claramente estratificados tendría una clasificación más alta que una con fases menos diferenciadas. Pero en un entorno de laboratorio altamente automatizado que necesita de buenos flujos de trabajo, este enfoque no es ideal. Por suerte, el análisis de imágenes basado en el aprendizaje profundo puede imitar la inteligencia humana y evaluar la calidad de una separación de muestras centrifugadas. Sin embargo, el proceso de gestión de calidad tiene un paso adicional: la clasificación.

Solo aquellas muestras aprobadas se utilizarán para los análisis. Esto hace imperativo que el sistema de inspección sea capaz de generalizar y conceptualizar la aparición de fases de glóbulos rojos “buenas” (es decir, bien separadas). Para esto, se consideran factores como el color del plasma, la turbidez y el volumen de la capa leucocitaria; todos criterios utilizados en el procesamiento de las muestras.

El aprendizaje profundo es la única herramienta de automatización capaz de clasificar, ordenar y calificar múltiples objetos dentro de una única imagen. En este caso, el aprendizaje profundo de Cognex es capaz de ordenar múltiples clases dentro de un único vial de sangre a identificar y aprobar solo aquellas muestras que cumplen con los criterios de análisis.

Como la última solución de automatización para aplicaciones complejas de ciencias biológicas, las herramientas basadas en el aprendizaje profundo de Cognex están convenientemente disponibles tanto como sistemas estándar y como OEM para diseñarse directamente en los dispositivos de automatización del laboratorio. Con unos resultados altamente confiables y una baja demanda de infraestructuras adicionales como CPU o PC integrados, el software basado en el aprendizaje profundo de Cognex es una adición natural al arsenal de herramientas de inspección de visión artificial de la industria de las ciencias biológicas.

Contactar a ventas

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex