[论文解读] Deep optical neural network by living tumour brain cells

Davide Pierangeli, Valentina Palmieri+6 more|arXiv (Cornell University)|Dec 9, 2018

Random lasers and scattering media参考文献 24被引用 10

一句话总结

本研究展示了一种利用活体三维肿瘤球体作为生物计算储层的深度光学生物神经网络。通过利用激光诱导的高热疗法和图像传输，该系统以比传统成像至少高十倍的灵敏度检测肿瘤形态动力学及化疗效果，实现了通过混合光子/活体神经网络对肿瘤动态进行非侵入性、实时监测。

ABSTRACT

The new era of artificial intelligence demands large-scale ultrafast hardware for machine learning. Optical artificial neural networks process classical and quantum information at the speed of light, and are compatible with silicon technology, but lack scalability and need expensive manufacturing of many computational layers. New paradigms, as reservoir computing and the extreme learning machine, suggest that disordered and biological materials may realize artificial neural networks with thousands of computational nodes trained only at the input and at the readout. Here we employ biological complex systems, i.e., living three-dimensional tumour brain models, and demonstrate a random neural network (RNN) trained to detect tumour morphodynamics via image transmission. The RNN, with the tumour spheroid as a three-dimensional deep computational reservoir, performs programmed optical functions and detects cancer morphodynamics from laser-induced hyperthermia inaccessible by optical imaging. Moreover, the RNN quantifies the effect of chemotherapy inhibiting tumour growth. We realize a non-invasive smart probe for cytotoxicity assay, which is at least one order of magnitude more sensitive with respect to conventional imaging. Our random and hybrid photonic/living system is a novel artificial machine for computing and for the real-time investigation of tumour dynamics.

研究动机与目标

• 开发一种可扩展、超高速的光学神经网络，用于实时监测肿瘤动力学。
• 通过使用生物材料作为计算储层，克服传统光学神经网络在可扩展性和成本方面的局限性。
• 利用肿瘤球体作为活体光子处理器，实现非侵入性、高灵敏度的细胞毒性检测。
• 证明无序生物系统可在极少训练的情况下执行复杂光学计算。

提出的方法

• 研究人员将三维胶质母细胞瘤肿瘤球体用作三维深度计算储层，用于光学信号处理。
• 激光脉冲在肿瘤球体中诱导高热反应，其根据肿瘤形态动力学调制透射光图案。
• 通过肿瘤球体的图像传输作为输入和输出信号，肿瘤球体内部结构充当随机、非线性介质。
• 该系统作为仅在输入层和读出层进行训练的随机神经网络（RNN），基于储层计算原理运行。
• 通过监测药物暴露前后光传输图案的变化来量化化疗效果。
• 该系统经传统成像方法验证，显示出在检测早期细胞毒性反应方面更高的灵敏度。

实验结果

研究问题

• RQ1 活体肿瘤球体能否作为深度光学神经网络，用于实时肿瘤监测？
• RQ2 肿瘤球体内部形态如何影响光学信号的传输与计算？
• RQ3 该系统能否以比传统成像更高的灵敏度检测化疗引起的肿瘤动力学细微变化？
• RQ4 生物无序材料在多大程度上可替代神经网络架构中的工程化光子元件？
• RQ5 储层计算原理能否有效应用于活体生物系统，以实现计算和诊断目的？

主要发现

• 基于肿瘤球体的系统以高时间与空间分辨率检测到激光高热疗法诱导的肿瘤形态动力学变化。
• 与传统成像技术相比，该系统在细胞毒性检测中灵敏度至少提高了十倍。
• 光传输图案的变化与化疗暴露后肿瘤生长抑制程度高度相关。
• 该系统仅通过输入和输出层训练，成功执行了程序化光学功能，如信号滤波和模式识别。
• 混合光子/活体系统实现了无需外源标记或复杂仪器的非侵入性、实时肿瘤动态监测。
• 结果验证了利用活体生物系统作为可扩展、低成本计算平台在生物医学传感和机器学习中的可行性。