Analyse d'images de microscopie pilotée par l'IA dans les secteurs pharmaceutique et biotechnologique

L'intelligence artificielle (IA) permet aux ordinateurs d'imiter l'intelligence humaine. L'IA peut apprendre à identifier des objets dans des images sans être explicitement programmée, selon un processus d'apprentissage similaire à celui des êtres humains.

L'une des formes d'IA est l'apprentissage automatique (ou Machine Learning, ML), qui permet aux machines d'apprendre en extrayant des modèles de caractéristiques à partir de données. L'apprentissage automatique évalue des caractéristiques autres que l'intensité des pixels, par exemple des informations texturales, ce qui permet d'obtenir des résultats plus robustes à partir d'ensembles de données comprenant des images très variables.

L'apprentissage profond (ou Deep Learning, DL) est une forme spécialisée de ML fonctionnant à partir de l'interprétation de vastes quantités de données comportant des millions de paramètres. Bien qu'il nécessite davantage de données pour alimenter l'algorithme, l'apprentissage profond peut imiter la manière dont plusieurs couches de neurones en réseau traitent les données, ce qui lui permet de traiter avec succès des ensembles de données très complexes et difficiles à segmenter.

Nous formons l'IA en utilisant un sous-ensemble représentatif d'images contenant des caractéristiques intéressantes, par exemple des noyaux cellulaires. Au lieu de définir une séquence d'étapes de traitement pour obtenir un résultat de segmentation souhaité (comme dans l'analyse d'image conventionnelle), le résultat souhaité est renforcé lors de la formation et l'IA optimise automatiquement l'algorithme pour obtenir cette même segmentation. Les pipelines d'analyse alimentés par l'IA donnent des résultats exceptionnels, même lorsqu'ils sont appliqués à des scénarios d'imagerie particulièrement difficiles, comme l'imagerie à faible contraste (par exemple sans étiquette) et les images avec de fortes densités d'objets (par exemple culture cellulaire confluente ou tissus). En outre, les pipelines d'IA sont facilement automatisés et appliqués à de grands ensembles de données afin d'extraire des informations solides et statistiquement pertinentes sur les phénomènes biologiques.