Les algorithmes d’auto-apprentissage peuvent aider à analyser les données d’images biologiques

Les techniques d’imagerie permettent un regard détaillé à l’intérieur d’un organisme. Mais interpréter les données prend du temps et demande une grande expérience. Les réseaux de neurones artificiels ouvrent de nouvelles possibilités: ils ne nécessitent que quelques secondes pour interpréter les scans du corps entier de souris et pour segmenter et représenter les organes en couleurs, au lieu de différentes nuances de gris. Cela facilite considérablement l’analyse.

Quelle est la taille du foie? Cela change-t-il si des médicaments sont pris? Le rein est-il enflammé? Y a-t-il une tumeur dans le cerveau et des métastases se sont-elles déjà développées? Afin de répondre à ces questions, les bioscientifiques et les médecins ont dû à ce jour filtrer et interpréter une multitude de données.

«L’analyse des processus d’imagerie tridimensionnelle est très compliquée», explique Oliver Schoppe. En collaboration avec une équipe de recherche interdisciplinaire, le chercheur TUM a maintenant développé des algorithmes d’auto-apprentissage pour à l’avenir aider à analyser les données d’images bioscientifiques.

Au cœur du logiciel AIMOS – l’abréviation signifie Segmentation des organes de la souris basée sur l’IA – se trouvent des réseaux de neurones artificiels qui, comme le cerveau humain, sont capables d’apprendre.

Auparavant, vous deviez dire aux programmes informatiques exactement ce que vous vouliez qu’ils fassent. Les réseaux de neurones n’ont pas besoin de telles instructions: « Il suffit de les former en présentant un problème et une solution plusieurs fois. Peu à peu, les algorithmes commencent à reconnaître les modèles pertinents et sont capables de trouver eux-mêmes les bonnes solutions. »

Oliver Schoppe, chercheur TUM

Formation d’algorithmes d’auto-apprentissage

Dans le projet AIMOS, les algorithmes ont été formés à l’aide d’images de souris. L’objectif était d’attribuer les points d’image du scan 3D du corps entier à des organes spécifiques, tels que l’estomac, les reins, le foie, la rate ou le cerveau. Sur la base de cette affectation, le programme peut alors afficher la position et la forme exactes.

«Nous avons eu la chance d’avoir accès à plusieurs centaines d’images de souris issues d’un autre projet de recherche, qui avaient toutes déjà été interprétées par deux biologistes», se souvient Schoppe. L’équipe a également eu accès à des scans 3D microscopiques à fluorescence de l’Institute for Tissue Engineering and Regenerative Medicine au Helmholtz Zentrum München.

Grâce à une technique spéciale, les chercheurs ont pu éliminer complètement le colorant de souris déjà décédées. Les corps transparents pourraient être imagés avec un microscope étape par étape et couche pour couche. Les distances entre les points de mesure n’étaient que de six micromètres – ce qui équivaut à la taille d’une cellule. Les biologistes avaient également localisé les organes dans ces ensembles de données.

L’intelligence artificielle améliore la précision

Au TranslaTUM, les informaticiens ont présenté les données à leurs nouveaux algorithmes. Et ceux-ci ont appris plus vite que prévu, rapporte Schoppe: «Nous n’avons eu besoin que d’une dizaine de scans du corps entier avant que le logiciel puisse analyser avec succès les données d’image par lui-même – et en quelques secondes. Cela prend une heure humaine pour le faire. . « 

L’équipe a ensuite vérifié la fiabilité de l’intelligence artificielle à l’aide de 200 autres analyses du corps entier de souris. « Le résultat montre que les algorithmes d’auto-apprentissage sont non seulement plus rapides à analyser les données d’images biologiques que les humains, mais aussi plus précis », résume le professeur Bjoern Menze, chef du groupe de modélisation biomédicale basée sur l’image à TranslaTUM à l’Université technique de Munich. .

Le logiciel intelligent doit être utilisé à l’avenir, en particulier dans la recherche fondamentale: «Les images de souris sont vitales, par exemple, pour étudier les effets de nouveaux médicaments avant qu’ils ne soient administrés aux humains. Utiliser des algorithmes d’auto-apprentissage pour analyser les données d’images dans l’avenir nous fera gagner beaucoup de temps à l’avenir », souligne Menze.

La recherche a été menée au TranslaTUM, le Centre de recherche translationnelle sur le cancer, à l’Université technique de Munich. L’institut fait partie de l’hôpital universitaire TUM rechts der Isar et se spécialise dans le transfert des connaissances de la recherche sur le cancer aux services pratiques aux patients grâce à une coopération interdisciplinaire. Lors de l’utilisation de la nouvelle microscopie 3D, les scientifiques du TUM ont travaillé en étroite collaboration avec des experts du Helmholtz Zentrum München.

Le projet de recherche a été financé par le ministère fédéral allemand de l’éducation et de la recherche (BMBF) dans le cadre de la Software Campus Initiative, la Deutsche Forschungsgemeinschaft (DFG) via le cluster d’excellence Munich Cluster for Systems Neurology (SyNergy), ainsi qu’un bourse de recherche et par le TUM Institute for Advanced Study financé par l’initiative allemande d’excellence et l’Union européenne. La recherche a également été financée par la Fondation Fritz Thyssen. NVIDIA a soutenu le travail du GPU Grant Program.