Local blog for Italian speaking developers
Microscopio a realtà aumentata per il rilevamento tumorale
28 maggio 2018
Pubblicato da Martin Stumpe, Technical Lead e Craig Mermel, Product Manager, Google Brain Team
Le applicazioni del
deep learning
nella medicina, incluse l'
oftalmologia
, la
dermatologia
, la
radiologia
e la
patologia
, hanno recentemente dimostrato un grande potenziale sia nell'aumentare l'accuratezza che nel mettere a disposizione dei pazienti di tutto il mondo cure sanitarie di qualità. A Google abbiamo anche
pubblicato studi
i cui risultati dimostrano che una
rete neurale convoluzionale
è in grado di rilevare le metastasi del cancro al seno nei linfonodi con un livello di precisione paragonabile a quello di un patologo esperto. Tuttavia, poiché la visualizzazione diretta del tessuto tramite microscopio ottico composto rimane il mezzo predominante con cui i patologi diagnosticano la malattia, un ostacolo critico all'adozione diffusa del deep learning in questo campo è la necessità di avere rappresentazioni digitali del tessuto microscopico.
Oggi, durante un intervento all'Annual Meeting of the American Association for Cancer Research (
AACR
), accompagnato dal paper “
An Augmented Reality Microscope for Real-time Automated Detection of Cancer
” (in fase di revisione), descriviamo un prototipo della piattaforma Augmented Reality Microscope (ARM) che riteniamo possa accelerare e diffondere l'adozione degli strumenti di deep learning da parte dei patologi a livello globale. La piattaforma consiste in un microscopio ottico modificato che consente l'analisi delle immagini in tempo reale e la presentazione dei risultati degli algoritmi di machine learning direttamente nel campo visivo. È importante sottolineare che ARM può essere retrofittato nei microscopi ottici presenti negli ospedali e nelle cliniche di tutto il mondo utilizzando componenti a basso costo e già disponibili, senza dover disporre delle versioni digitali delle intere diapositive istologiche esaminate.
I moderni componenti computazionali e i modelli di deep learning, come quelli basati su
TensorFlow
, permetteranno a un'ampia gamma di modelli preaddestrati di funzionare su questa piattaforma. Come nel caso dei microscopi analogici tradizionali, l'utente vede il campione attraverso l'oculare. Un algoritmo di machine learning proietta il suo output nel percorso ottico in tempo reale. Questa proiezione digitale viene sovrapposta visivamente all'immagine originale (analogica) del campione per aiutare l'utente a localizzare o quantificare le caratteristiche di interesse. È da notare che gli aggiornamenti del calcolo e del feedback visivo sono rapidi: l'attuale implementazione viene eseguita a circa 10 fotogrammi al secondo, pertanto l'output del modello si aggiorna ininterrottamente mentre l'utente esegue la scansione del tessuto spostando la diapositiva e/o modificando l'ingrandimento.
Sinistra: panoramica schematica di ARM. La fotocamera digitale acquisisce lo stesso campo visivo (FoV) dell'utente e passa l'immagine a un'unità di calcolo collegata in grado di eseguire l'inferenza in tempo reale di un modello di machine learning. I risultati sono riportati su un display AR personalizzato in linea con la lente oculare che proietta l'output del modello sullo stesso piano della diapositiva. Destra: una foto del nostro prototipo retrofittato in un tipico microscopio ottico clinico.
In linea di massima, ARM può fornire un'ampia gamma di feedback visivi, inclusi testo, frecce, contorni, mappa termica o animazioni, ed è in grado di eseguire molti tipi di algoritmi di machine learning volti a risolvere problemi come la rilevazione di oggetti, la quantificazione o la classificazione.
A dimostrazione della potenziale utilità di ARM, lo abbiamo configurato per eseguire due diversi algoritmi di rilevamento tumorale: uno per le metastasi del cancro al seno nei campioni di linfonodi e un altro per il cancro alla prostata nei campioni di prostatectomia. Questi modelli vengono eseguiti con ingrandimenti compresi tra 4 e 40x e il risultato di un determinato modello viene visualizzato delineando le regioni tumorali rilevate con un contorno verde. Questi contorni aiutano a richiamare l'attenzione del patologo sulle aree d'interesse senza oscurare l'aspetto delle cellule tumorali sottostanti.
Esempio di visualizzazione con la lente ARM. Queste immagini mostrano esempi del modello di metastasi linfonodali con obiettivi del microscopio 4x, 10x, 20x e 40x.
Anche se entrambi i modelli tumorali sono stati originariamente addestrati su immagini dello scanner a diapositiva intera e con una configurazione ottica significativamente diversa, i modelli hanno funzionato molto bene con ARM senza ulteriori riaddestramenti. Ad esempio, il modello di metastasi linfonodali presentava un'area al di sotto della curva (AUC) pari a 0,98 e il nostro modello di cancro alla prostata presentava una AUC di 0,96 per il rilevamento del cancro nel campo visivo (FoV), se eseguito con ARM, indicando prestazioni leggermente inferiori rispetto a quelle ottenute con WSI. Riteniamo probabile che le prestazioni di questi modelli possano essere ulteriormente migliorate continuando l'addestramento sulle immagini digitali acquisite direttamente dall'ARM.
Crediamo che ARM abbia un enorme potenziale nella medicina globale, in particolare per la diagnosi di malattie infettive, tra cui la tubercolosi e la malaria nei paesi in via di sviluppo. Inoltre, anche negli ospedali che adotteranno prossimamente un flusso di lavoro che prevede la patologia digitale, ARM potrebbe essere utilizzato in combinazione con questo flusso in cui gli scanner devono ancora affrontare problematiche importanti o dove è richiesto un rapido turnaround, ad es. citologia, imaging fluorescente o sezioni congelate intraoperatorie. I microscopi ottici si sono dimostrati utili in molti settori oltre alla patologia e crediamo che ARM possa adeguarsi a un'ampia gamma di applicazioni nel campo della medicina, nella ricerca delle scienze biologiche e nella scienza dei materiali. Siamo entusiasti di poter continuare a scoprire come ARM contribuirà ad accelerare l'adozione del machine learning e ad avere un impatto globale positivo.
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly
