Ett internationellt forskarteam har utvecklat BiaPy, en öppen plattform för artificiell intelligens som underlättar analysen av biomedicinska bilder med hjälp av djupinlärningstekniker. Arbetet har publicerats i Nature Methods.
Teamet leddes av Ignacio Arganda (Baskiens universitet – UPV/EHU, Ikerbasque, Donostia International Physics Center och Biofisika Institute) och Arrate Muñoz-Barrutia (Madrids universitet Carlos III, Gregorio Marañón Health Research Institute).
Bildanalys används för att studera cellstrukturer, vävnader och organ inom en rad olika discipliner och är ett viktigt verktyg inom biomedicin. Att använda AI för att analysera dessa bilder har dock traditionellt varit förbehållet experter inom programmering och datavetenskap. BiaPy bryter ner denna barriär genom att erbjuda en lättanvänd plattform som gör det möjligt att tillämpa avancerade AI-modeller utan behov av specialiserad teknisk kunskap.
”BiaPy syftar till att demokratisera tillgången till artificiell intelligens inom bioavbildning genom att göra det möjligt för fler forskare och vårdpersonal att utnyttja dess potential utan att behöva avancerade kunskaper i programmering eller maskininlärning”, förklarar Daniel Franco, huvudförfattare till studien och för närvarande postdoktor vid MRC Laboratory of Molecular Biology och Cambridge University (Storbritannien).
BiaPy gör det möjligt att utföra olika typer av analyser på vetenskapliga bilder, såsom att automatiskt identifiera celler eller andra biologiska strukturer, räkna element, klassificera prover efter utseende eller förbättra bildkvaliteten för att se finare detaljer. Allt detta kan göras med både tvådimensionella bilder och tredimensionella bilder som erhållits med hjälp av olika mikroskopitekniker.
Dessutom har BiaPy utformats för att vara effektivt och skalbart: det kan hantera en stor mängd data, från några få små bilder till terabyte av information, såsom den som genereras när vävnad eller hela organ skannas.
Verktyget baseras på användning av AI-modeller, som är algoritmer som tränats att känna igen mönster i bilder, på samma sätt som det mänskliga ögat kan identifiera former eller färger. Exempel används för att skapa en modell, till exempel bilder där celler redan har märkts manuellt. Med tillräcklig träning lär sig modellen att utföra dessa uppgifter automatiskt, även på nya bilder som den aldrig sett tidigare.
”BiaPy har också integrerats i BioImage Model Zoo (bioimage.io), en databas där forskare från hela världen delar förtränade modeller. Tack vare denna integration kan BiaPy-användare återanvända befintliga modeller för nya bilder eller enkelt träna sina egna modeller”, förklarar Arrate Muñoz, senior medförfattare till artikeln och medlem i det europeiska konsortiet AI4Life som utvecklat BioImage Model Zoo.
Verktyget används redan i avancerade vetenskapliga projekt. Ett exempel är CartoCell, en mjukvarulösning som utvecklats i samarbete med laboratoriet som koordineras av Luis M. Escudero (Institutet för biomedicin i Sevilla [Virgen del Rocío universitetssjukhus/CSIC/Universitetet i Sevilla]). CartoCell analyserar mikroskopibilder för att avslöja dolda mönster i formen och fördelningen av celler i 3D-epitelvävnad från olika organismer.
Ett annat fall som är värt att nämna är dess tillämpning i samarbete med laboratorierna Emmanuel Beaurepaire (École Polytechnique, Frankrike) och Jean Livet (Institut de la Vision, Paris). Dessa grupper har utvecklat mikroskopitekniken ChroMS, som gör det möjligt att få fram enorma tredimensionella bilder av hela hjärnor med hjälp av fluorescerande färger som genereras av proteiner från maneter och koraller.
BiaPy används för att automatiskt detektera varje cell i dessa storskaliga bilder, även i tättbefolkade områden av hjärnan, vilket gör det möjligt att studera hjärnans utveckling genom att rekonstruera cellernas härkomst utifrån deras färger och tredimensionella positioner.
Som ett öppet verktyg är BiaPy tillgängligt gratis för forskarsamhället, vilket främjar samarbete och fortsatt förbättring av programvaran. Det kan användas på datorer eller servrar med flera grafikkort, samt i molnet. Det är enkelt att installera och säkerställer att experiment enkelt kan upprepas i olika miljöer, vilket främjar öppen och reproducerbar forskning.
Som Arganda, seniorförfattare till artikeln, påpekade: ”Utvecklingen av BiaPy är ett viktigt steg mot demokratiseringen av avancerad artificiell datorseende inom mikroskopi. Dess tillgängliga design och fokus på öppet samarbete minskar de tekniska hindren, vilket gör det lättare för fler forskare och vårdpersonal att tillämpa artificiell vision i sina studier.
”Dess kompatibilitet med olika datormiljöer och dess öppna kod innebär att det är en plattform som erbjuder en enorm potential för att driva innovation och påskynda vetenskapliga upptäckter.”
Mer information: Daniel Franco-Barranco et al, BiaPy: accessible deep learning on bioimages, Nature Methods (2025). DOI: 10.1038/s41592-025-02699-y
