Ett AI-verktyg framtaget vid Göteborgs universitet skapar nya möjligheter att analysera bilder tagna med mikroskop. En studie visar att verktyget, som redan har fått internationell uppmärksamhet, kan förändra mikroskopin i grunden och bana väg för nya upptäckter och användningsområden inom både forskning och industri.

Det handlar om djupinlärning, en typ av artificiell intelligens (AI) och maskininlärning som vi alla interagerar med i vardagen – oftast utan att tänka på det. Till exempel när det dyker upp en låt på Spotify som liknar låtar vi tidigare har lyssnat på, eller när vår mobilkamera automatiskt hittar de bästa inställningarna och korrigerar färgerna i ett foto.

– Djupinlärning har tagit världen med storm, och har haft en stor inverkan på många industrier, branscher och vetenskapliga fält. Nu har vi utvecklat ett verktyg som gör det möjligt att utnyttja djupinlärningens otroliga potential, med fokus på bilder tagna med mikroskop, säger Benjamin Midtvedt, doktorand i fysik och huvudförfattare till studien.

Djupinlärning kan beskrivas som en matematisk modell som används för att lösa problem som är svåra att ta sig an med traditionella, algoritmiska metoder. Vid mikroskopi är den stora utmaningen att få ut så mycket information som möjligt från de dataspäckade bilderna, och här har djupinlärning visat sig vara mycket effektivt.

Verktyget som Benjamin Midtvedt och forskarkollegor har tagit fram innebär att så kallade neurala nätverk lär sig att hämta just den information som en forskare vill ha från en bild genom att titta på en enorm mängd bilder, som kallas träningsdata. Med verktyget förenklas processen att ta fram träningsdata jämfört med om den hade skett manuellt, så att tiotusentals bilder kan genereras på en timme istället för ett hundratal på en månad.

– Det här gör det möjligt att snabbt få ut betydligt fler detaljer från mikroskopbilderna, utan att behöva skapa en komplicerad analys med traditionella metoder. Dessutom är resultaten reproducerbara, och det går att få ut skräddarsydd, specifik information för ett visst ändamål, säger han.

Med verktyget går det exempelvis att bestämma storlek och materialegenskaper för mycket små partiklar, liksom att enkelt räkna och klassificera celler. Forskarna har redan visat att verktyget kan användas av industrier som behöver rena sina utsläpp, eftersom det går att i realtid se om alla ovälkomna partiklar har filtrerats bort.

Enligt forskarna finns hopp om att i framtiden kunna använda verktyget för att följa infektionen i en cell och kartlägga cellers försvarsmekanism, vilket skulle öppna stora möjligheter för nya mediciner och behandlingar.

– Vi har redan mött stort internationellt intresse för verktyget. Oavsett vilken den mikroskopiska utmaningen är finns nu möjlighet för forskare att förenkla analyserna, göra nya upptäckter, förverkliga idéer och bryta ny mark inom sina fält, säger Benjamin Midtvedt.

Kontakt:
Benjamin Midtvedt, doktorand i fysik vid Göteborgs universitet, telefon: 0730-752304, e-post: benjamin.midtvedt@physics.gu.se

Om forskningen
Verktyget beskrivs i artikeln Quantitative Digital Microscopy with Deep Learning, som är publicerad i Applied Physics Reviews

Ytterligare en studie om verktyget finns publicerad, i American Chemical Society: Fast and Accurate Nanoparticle Characterization Using Deep-Learning-Enhanced Off-Axis Holography

Verktyget, som har fått namnet Deep Track 2.0, är fritt att använda

ULRIKA ERNSTRÖM
Presskommunikatör

GÖTEBORGS UNIVERSITET
Naturvetenskapliga fakulteten

Telefon: 031-786 6970, 0766-186970
E-post: ulrika.ernstrom@science.gu.se