Imagens de células segmentadas são cruciais e extremamente caras na pesquisa biomédica e no diagnóstico. Embora a inteligência artificial (IA) já seja capaz de realizar a segmentação celular, ela requer treinamento com uma grande quantidade de dados rotulados: dados que precisam ser rotulados manualmente por especialistas. A doutoranda Eiram Mahera Sheikh, da Universidade de Ciências Aplicadas de Bielefeld, está investigando como esse processo pode ser acelerado de forma inteligente no âmbito da rede de pesquisa SAIL. Ela já utiliza IA, especificamente aprendizado ativo profundo , na preparação dos dados de treinamento.
As duas imagens exibidas no computador (foto) são imagens das mesmas células biológicas. À esquerda, uma imagem microscópica de algumas células-tronco pancreáticas em um substrato poroso: os pequenos pontos brancos, variando em tamanho e forma, ligeiramente desfocados contra um fundo cinza, representam as células individuais. Aqui, não é tão fácil distinguir se um pixel ainda pertence a uma célula ou já ao fundo. Eiram Mahera Sheikh chama a atenção dos visitantes para o lado direito: a mesma disposição de células, mas desta vez com cores diferentes e claramente delineadas contra o fundo agora preto. "Com essa máscara, a imagem fica muito mais adequada para análise. Aqui, as células são claramente segmentadas, usando IA, ou inteligência artificial." Sheikh quer garantir que esse processo possa ser ainda mais eficiente no futuro — tornando a IA mais inteligente com IA. Em outras palavras, ela quer permitir que o treinamento necessário da IA de segmentação celular seja mais rápido do que antes, e ela mesma está usando um método de IA para alcançar esse objetivo.
Após vários anos no mercado de trabalho, a cientista da computação de 33 anos, com raízes indianas, especializou-se em ciência de dados e IA durante o mestrado. Agora, ela ingressou na Universidade de Ciências Aplicadas de Bielefeld (HSBI) como doutoranda. Com a segmentação celular, ela escolheu um tema de grande importância para a pesquisa biomédica e o diagnóstico: "A análise de imagens de células segmentadas fornece informações cruciais sobre as características celulares, alterações patológicas e como as células respondem a medicamentos específicos", explica Eiram Mahera Sheikh. "Essa informação é importante, por exemplo, na terapia do câncer ou na pesquisa farmacológica." A pesquisa de Sheikh, no entanto, começa dois passos antes – em um meta-nível, por assim dizer. "A segmentação celular agora também pode ser realizada por IA. Meu interesse é treinar essa IA."
O projeto faz parte da rede de pesquisa interdisciplinar SAIL, sigla para Ciclo de Vida Sustentável de Sistemas Sociotécnicos Inteligentes. Nesse consórcio, financiado pelo estado da Renânia do Norte-Vestfália com até € 14,8 milhões, a Universidade de Bielefeld (líder do consórcio), o HSBI, o TH OWL e a Universidade de Paderborn colaboram para garantir que os sistemas de IA operem de forma transparente, segura, sustentável e robusta ao longo de todo o seu ciclo de vida. Os cerca de 90 cientistas participantes da rede dedicam-se à pesquisa fundamental na área de IA, bem como ao seu impacto sobre os seres humanos e a sociedade, e a aplicações concretas nas áreas da Indústria 4.0 e saúde inteligente. Wolfram Schenck, professor de Engenharia Informática, diretor científico do Cluster de Análise de Dados do Centro de Ciência de Dados Aplicada (CfADS) no campus de Gütersloh e porta-voz do HSBI no projeto SAIL, supervisiona a tese de doutorado de Eiram Mahera Sheik, que se situa na interface entre a pesquisa básica e a área da saúde, mas também oferece perspectivas que vão além disso.
Schenck explica os desafios do trabalho de Sheik: "Para aprender a segmentação celular, a IA de segmentação celular precisa de uma grande quantidade de dados rotulados para treinamento. Trata-se de dados de imagem em nível de pixel que foram enriquecidos com informações adicionais e classificados." É um processo complexo, pois, especificamente, significa que para cada pixel em uma imagem de células biológicas, é preciso determinar se ele pertence à classe "fundo", "membrana" ou "corpo celular", por exemplo. Schenck esclarece: "Essa chamada rotulagem atualmente só pode ser feita manualmente por especialistas que sabem exatamente o que estão vendo." Membrana celular? Célula morta? Fundo? – Pixel por pixel, alguém com experiência na área precisa realizar esse trabalho tedioso e um tanto monótono antes que a IA possa ser treinada para segmentar células específicas.
“Como o trabalho é muito demorado e monótono, os especialistas relutam em realizá-lo”, destaca a Dra. Constanze Schwan. “Além disso, o processo de rotulagem também é muito caro devido à sua duração e ao envolvimento de especialistas altamente qualificados.” Schwan participou da discussão. A cientista da computação, que participa do programa Career@BI da HSBI, não só leciona no Departamento de Engenharia e Matemática, como também trabalha no departamento de pesquisa da empresa de biotecnologia Miltenyi Biotec, em Göttingen. Ela enfatiza a necessidade prática: “Seria um grande avanço se houvesse um modelo ou algoritmo que pudesse reduzir o esforço necessário para a rotulagem.” Os métodos de segmentação existentes, como os adequados para direção autônoma, atingem seus limites ao lidar com imagens microscópicas. Isso se deve, em parte, às estruturas mais complexas e finas encontradas nessas imagens. Essas imagens geralmente são pilhas de imagens em uma linha do tempo para estruturas 3D. Essas imagens ou pilhas de imagens frequentemente contêm estruturas complexas que são difíceis de segmentar.
Para contornar o problema de estruturas complexas e aliviar as equipes de especialistas que precisam treinar a IA para segmentação celular, Eiram Mahera Sheikh também está recorrendo à IA. "Meu objetivo é identificar as regiões da imagem que são particularmente importantes para o aprendizado da segmentação celular. Isso eliminaria a necessidade de rotular todos os pixels da imagem manualmente, mas apenas aqueles que são especialmente valiosos como dados de treinamento." Essa seleção direcionada de dados de treinamento em potencial é chamada de "aprendizado ativo". Como os algoritmos de IA para segmentação celular vêm do chamado "aprendizado profundo", isso também é conhecido como "aprendizado ativo profundo".
Sheikh identificou os dados de treinamento mais valiosos: "São os dados mais incertos, aqueles em que o algoritmo de IA encontra dificuldades, por exemplo, devido ao baixo contraste da imagem, células sobrepostas ou formas irregulares." Somente esses dados precisam ser revisados e rotulados por especialistas no futuro, enquanto o esforço pode ser poupado nos casos mais claros, pois a IA de Sheikh já realizou a rotulagem. Essencialmente, a IA de segmentação celular aprende com menos dados, mas de forma tão eficaz que ainda consegue realizar segmentações celulares precisas posteriormente.
Leia também
Usando IA para desenvolver melhores materiais fotovoltaicos mais rapidamente | Pugnalom
IA permite avaliações de conservação para todas as espécies no mundo todo | Pugnalom
