Von Cécilia Carron.
Auf Initiative des Center for Imaging der EPFL hat ein Team von Ingenieuren der EPFL und der Universidad Carlos III de Madrid ein Plugin entwickelt, das die Einbindung künstlicher Intelligenz in die Bildanalyse für die biowissenschaftliche Forschung erleichtert. Das Plugin namens deepImageJ wird in einem Paper beschrieben, das heute in Nature Methods erscheint.
In den letzten fünf Jahren hat sich die Bildanalyse weg von traditionellen mathematischen und beobachtungsbasierten Methoden hin zu datengesteuerter Verarbeitung und künstlicher Intelligenz verlagert. Diese grosse Entwicklung macht die Erkennung und Identifizierung wertvoller Informationen in Bildern einfacher, schneller und zunehmend automatisiert – in nahezu allen Forschungsbereichen. Im Bereich Life Science zeigt Deep-Learning, ein Teilgebiet der Künstlichen Intelligenz, ein zunehmendes Potenzial für die Biobildanalyse. Leider erfordert die Verwendung der Deep-Learning-Modelle oft Programmierkenntnisse, die nur wenige Biowissenschaftler besitzen. Um den Prozess zu vereinfachen, haben Bildanalyseexperten der EPFL und UC3M in Zusammenarbeit mit dem Center for Imaging der EPFL deepImageJ entwickelt – ein Open-Source-Plugin, das in einem heute in Nature Methods veröffentlichten Artikel beschrieben wird.
Einsatz neuronaler Netze in der biomedizinischen Forschung
Deep-Learning-Modelle sind ein bedeutender Durchbruch für die vielen Bereiche, die auf Bildgebung angewiesen sind, wie z. B. Diagnostik und Arzneimittelentwicklung. In der Bio-Bildgebung kann Deep Learning beispielsweise verwendet werden, um riesige Bildsammlungen zu verarbeiten und Läsionen in organischem Gewebe zu erkennen, Synapsen zwischen Nervenzellen zu identifizieren und die Struktur von Zellmembranen und Zellkernen zu bestimmen. Es ist ideal, um Bilder zu erkennen und zu klassifizieren, bestimmte Elemente zu identifizieren und experimentelle Ergebnisse vorherzusagen.
Bei dieser Art von künstlicher Intelligenz wird ein Computer trainiert, eine Aufgabe auszuführen, indem er auf grosse Mengen zuvor kommentierter Daten zurückgreift. Es ist vergleichbar mit CCTV-Systemen, die eine Gesichtserkennung durchführen, oder mit Apps für mobile Kameras, die Fotos verbessern. Deep-Learning-Modelle basieren auf ausgeklügelten Rechenarchitekturen, sogenannten künstlichen neuronalen Netzen, die für bestimmte Forschungszwecke trainiert werden können, beispielsweise um bestimmte Zelltypen oder Gewebeläsionen zu erkennen oder die Bildqualität zu verbessern. Das trainierte neuronale Netz wird dann als Computermodell gespeichert.
Künstliche Intelligenz, aber ohne Code
Für die biomedizinische Bildgebung entwickelt ein Konsortium europäischer Forscher eine Sammlung dieser vortrainierten Deep-Learning-Modelle, den BioImage Model Zoo. „Um diese Modelle zu trainieren, benötigen Forscher spezifische Ressourcen und technisches Wissen – insbesondere in der Python-Codierung –, über die viele Biowissenschaftler nicht verfügen“, sagt Daniel Sage, der Ingenieur am Center for Imaging der EPFL, der die deepImageJ-Entwicklung überwacht. „Aber im Idealfall sollten diese Modelle für jeden verfügbar sein.“
Das deepImageJ-Plugin schließt die Lücke zwischen künstlichen neuronalen Netzen und den Forschern, die sie verwenden. Jetzt kann ein Biowissenschaftler einen Computeringenieur bitten, einen Algorithmus für maschinelles Lernen zu entwerfen und zu trainieren, um eine bestimmte Aufgabe auszuführen, die der Wissenschaftler dann einfach über eine Benutzeroberfläche ausführen kann – ohne jemals eine einzige Codezeile zu sehen. Das Plugin ist quelloffen und kostenlos und wird die Verbreitung neuer Entwicklungen in der Informatik und die Veröffentlichung biomedizinischer Forschung beschleunigen. Es ist als kollaborative Ressource konzipiert, die es Ingenieuren, Informatikern, Mathematikern und Biologen ermöglicht, effizienter zusammenzuarbeiten. Ein kürzlich von einem EPFL-Masterstudenten in einem interdisziplinären Team entwickeltes Modell ermöglicht es Wissenschaftlern beispielsweise, in Gewebeschnitten menschliche Zellen von Mauszellen zu unterscheiden.
Auch Forscher können Benutzer schulen
Wissenschaftler auf der ganzen Welt hoffen seit mehreren Jahren auf ein solches System, aber bis zum Eingreifen des Center for Imaging der EPFL hatte sich niemand der Herausforderung gestellt, eines zu bauen. Die Forschungsgruppe wird von Daniel Sage und Michael Unser, dem akademischen Direktor des Zentrums, zusammen mit Arrate Muñoz Barrutia, außerordentlicher Professor am UC3M, geleitet. Professor Muñoz-Barrutia leitete die operative Entwicklungsarbeit zusammen mit einer ihrer Doktorandinnen, Estibaliz Gómez-de-Mariscal, und Carlos García López de Haro, einem Forschungsassistenten für Bioingenieurwesen.
Damit möglichst viele Forscher das Plugin nutzen können, entwickelt die Gruppe auch virtuelle Seminare, Schulungsmaterialien und Online-Ressourcen, um das volle Potenzial der Künstlichen Intelligenz besser auszuschöpfen. Diese Materialien wurden sowohl für Programmierer als auch für Biowissenschaftler entwickelt, damit sich Benutzer schnell mit der neuen Methode vertraut machen können. DeepImageJ wird auch am ZIDAS präsentiert – einem einwöchigen Kurs zur Bild- und Datenanalyse für Biowissenschaftler in der Schweiz.
Website: deepimageJ
https://deepimagej.github.io/deepimagej/