La microscopía es una herramienta fundamental en la investigación biomédica, permitiendo a los científicos observar células y tejidos con un nivel de detalle que es esencial para el avance del conocimiento en salud y enfermedad. Sin embargo, la calidad de las imágenes obtenidas y la velocidad de adquisición siguen siendo desafíos importantes en este campo. Recientemente, un equipo de investigadores del Centro para la Comprensión Avanzada de Sistemas (CASUS) en Görlitz, junto con académicos del Imperial College de Londres y el University College London, ha propuesto un enfoque innovador que utiliza un fenómeno óptico conocido como aberración cromática para mejorar la calidad de las imágenes en la microscopía.
La aberración cromática es un defecto común en los sistemas ópticos que impide que diferentes longitudes de onda de luz converjan en un mismo punto, lo que normalmente degrada la calidad de la imagen. No obstante, este fenómeno puede ser aprovechado para obtener imágenes útiles con microscopios convencionales. Utilizando un modelo de inteligencia artificial generativa, el equipo ha demostrado que es posible obtener la calidad de imagen necesaria para hacer que la microscopía de fase cuantitativa (QPI) sea viable para aplicaciones biomédicas, utilizando una sola exposición en lugar de múltiples capturas, que son costosas y requieren mucho tiempo.
Aprovechando la Aberración Cromática
El enfoque propuesto se basa en la combinación de principios físicos y algoritmos de inteligencia artificial. Según el profesor Artur Yakimovich, líder del grupo de investigación, la técnica permite que la información sobre el cambio de fase inducido por la muestra biológica se obtenga sin necesidad de exposiciones adicionales a diferentes distancias de enfoque. Gracias a la aberración cromática, es posible captar los desplazamientos de fase de diferentes longitudes de onda de manera simultánea utilizando un detector RGB convencional.
Para validar su enfoque, el equipo utilizó el Modelo de Difusión Variacional Condicional (CVDM), un tipo de modelo generativo que requiere menos recursos computacionales en comparación con otros modelos de difusión. Después de entrenar el CVDM con un conjunto de datos abierto que abarca 1,2 millones de imágenes, los investigadores lograron recuperar información de fase a partir de un conjunto de datos limitado, lo que representa un avance significativo en la microscopía.
El equipo llevó a cabo pruebas en muestras clínicas reales, utilizando un microscopio de campo brillante comercial equipado con una cámara de color. Al analizar glóbulos rojos en una muestra de orina humana, el nuevo método pudo revelar la forma característica de «donut» de estas células, algo que un enfoque computacional tradicional basado en la ecuación de transporte de intensidad (TIE) no logró. Además, se observó una notable reducción de artefactos en las imágenes generadas con el nuevo enfoque basado en inteligencia artificial.
El grupo de Yakimovich está comprometido en desarrollar técnicas computacionales para la microscopía que puedan aplicarse inmediatamente en entornos clínicos. La integración de elementos físicos en los modelos de inteligencia artificial es un aspecto clave de su investigación, lo que promete reducir el riesgo de «alucinaciones» en los resultados generados por la inteligencia artificial. Este avance no solo tiene el potencial de optimizar la calidad de las imágenes en la microscopía, sino que también podría transformar los métodos de diagnóstico clínico en el futuro.
