Maskininlärning för nanomedicinforskning

Viktiga resultat som projektet gav

Under projektet uppnåddes de flesta målen, vilket förbättrade känsligheten för partikeldetektering utöver den nuvarande toppmoderna. Låg signal-to-noise i spridningsbilder förhindrade dock prestandaförbättringar till förväntad nivå. Uppnådda mål: Märkt data som genereras för nanopartiklar. Simulerad datagenerering för modellutvärdering. Utforskning och optimering av olika tillvägagångssätt för denoising och partikeldetektering. Modellprestandajämförelse med befintliga metoder. Integrering av U-Net-baserad detektionsalgoritm i Nanolyzes rutin.

Långsiktiga effekter som förväntas

Vi kunde förbättra partikeldetekteringen utöver vår nuvarande partikeldetekteringskänslighet. Maskininlärningsmetoder kräver dock mer beräkningsresurser och kan vara långsamma i jämförelse med de klassiska metoderna. Ändå tillåter den förbättrade partikeldetekteringen baserad på maskininlärning oss att detektera mindre nanopartiklar och kommer att hjälpa oss att utöka användningen av vår teknologi inom farmaceutisk kvalitetskontroll. Vi tror att kunskapen från detta projekt inte bara kommer att förbättra vår teknik utan också bidra till nanomedicinens framsteg.

Upplägg och genomförande

Vi tror att projektet har utformats och genomförts väl med rätt resurser och personal. I projektgruppen ingick förutom Nanolyze experter från Chalmers Industriteknik och AstraZeneca, som bidrog med sin expertis inom maskininlärning respektive läkemedelsapplikationer. Projektet inkluderade aktiviteter som datainsamling, algoritmutveckling och prestandaverifiering och vi kunde utföra projektet smidigt och i tid.