Sommario
L’intelligenza artificiale ha rivoluzionato il processo di imaging in vari campi, dalla fotografia alla rilevazione. Tuttavia, l’applicazione dell’IA in microscopia ha continuato a incontrare sfide persistenti. GedankenNet, presentato in un recente articolo pubblicato su Nature Machine Intelligence, potrebbe essere la soluzione a questi problemi.
Sfide dell’IA in microscopia
I modelli di IA esistenti in microscopia dipendono fortemente dalla supervisione umana e da grandi set di dati pre-etichettati. Questo richiede esperimenti costosi e laboriosi con numerosi campioni. Inoltre, queste metodologie spesso faticano a elaborare nuovi tipi di campioni o configurazioni sperimentali.
L’ispirazione di GedankenNet
Il team dell’UCLA, guidato dal Professore Aydogan Ozcan, ha tratto ispirazione dal celebre esperimento mentale di Albert Einstein, noto come Gedanken (in tedesco “esperimento mentale”), utilizzato nella creazione della teoria della relatività.
Come funziona GedankenNet
Invece di fare affidamento su dati reali, i ricercatori hanno istruito il loro modello di IA a ricostruire immagini microscopiche utilizzando solo ologrammi artificiali casuali, sintetizzati esclusivamente dalla “fantasia”. Questi ologrammi sono stati creati solo basandosi sulle leggi universali della fisica che governano la propagazione delle onde elettromagnetiche nello spazio.
Dopo l’addestramento, GedankenNet è stato testato su immagini olografiche 3D di campioni di tessuto umano. Al primo tentativo, il modello ha ricostruito con successo le immagini microscopiche dei campioni di tessuto umano e degli strisci di Pap dai loro ologrammi.
Risultati e potenziale di GedankenNet
Confrontato con i metodi tradizionali di ricostruzione di immagini microscopiche basate sull’apprendimento supervisionato, GedankenNet ha mostrato una superiorità nella generalizzazione a campioni non visti. Ha anche generato onde luminose in uscita coerenti con le equazioni delle onde fisiche, rappresentando accuratamente la propagazione della luce 3D nello spazio.
Il Prof. Ozcan, che detiene incarichi accademici nei dipartimenti di Ingegneria Elettrica e Informatica e Bioingegneria presso UCLA Samueli, ha sottolineato: “Questi risultati illustrano il potenziale dell’IA auto-supervisionata per apprendere dagli esperimenti mentali, proprio come fanno gli scienziati. Offre nuove opportunità per sviluppare modelli di reti neurali fisicamente compatibili, facili da addestrare e ampiamente generalizzabili.”
