Apprentissage few-shot pour la classification d’images MEB de nanoparticules synthétisées de manière verte à partir de Momordica cymbalaria

Plantes, particules minuscules et ordinateurs intelligents

Et si des plantes de tous les jours pouvaient aider à fabriquer des particules minuscule pour de futurs médicaments, et que des programmes informatiques intelligents pouvaient trier ces particules presque aussi bien qu’un expert humain ? Cette étude réunit la chimie verte et l’intelligence artificielle en utilisant des extraits d’une liane médicinale, Momordica cymbalaria, pour créer des nanoparticules, puis en entraînant un modèle compact de reconnaissance d’images pour distinguer différents échantillons à partir d’un nombre restreint d’images au microscope.

Utiliser une plante médicinale pour fabriquer des particules

Plutôt que de recourir à des produits chimiques agressifs, les chercheurs se sont appuyés sur une plante déjà connue en médecine traditionnelle pour son rôle dans le contrôle de la glycémie. Ils ont utilisé ses racines et ses fruits comme mini-usines naturelles pour produire deux types de nanoparticules : de l’argent et du carbonate de calcium. Des composés végétaux ont aidé à initier et stabiliser ces réactions, offrant une voie plus propre et potentiellement plus sûre que les méthodes industrielles classiques. Les poudres obtenues ont été examinées attentivement avec plusieurs instruments pour vérifier leur taille, leur forme et leur composition chimique.

Observer les particules avec la lumière et les électrons

Pour comprendre ce qu’ils avaient obtenu, l’équipe a fait traverser la lumière aux échantillons et a enregistré leur absorption à différentes longueurs d’onde, un indice montrant que les structures nanométriques s’étaient formées comme prévu. Ils ont aussi utilisé un microscope électronique puissant pour produire des images détaillées en noir et blanc, montrant que les particules de carbonate de calcium étaient majoritairement sphériques et en amas, tandis que les particules d’argent s’aggloméraient en formes plus grandes et irrégulières. Des tests supplémentaires ont confirmé que les échantillons riches en calcium contenaient principalement du calcium, de l’oxygène et du carbone, tandis que les échantillons d’argent montraient de forts signaux d’argent ainsi que de la matière organique provenant de l’extrait de plante. Ensemble, ces mesures indiquent que le procédé vert fonctionne bien pour le carbonate de calcium, mais que le procédé pour l’argent nécessite encore des ajustements.

Apprendre à un ordinateur à lire des images au microscope

Collecter des milliers de photos au microscope est difficile et chronophage, en particulier dans les petits laboratoires. Pour faire face à cela, les auteurs ont recouru à un style d’intelligence artificielle appelé few-shot learning, conçu pour fonctionner avec des jeux d’entraînement très réduits. Ils se sont concentrés sur des images de microscope électronique à balayage issues de quatre groupes : argent issu des racines, argent issu des fruits, carbonate de calcium issu des racines et carbonate de calcium issu des fruits. Avant l’entraînement, ils ont nettoyé et redimensionné les images et créé des variations supplémentaires en les faisant pivoter et en les retournant pour augmenter artificiellement le petit jeu de données. Deux réseaux d’analyse d’images bien connus, MobileNetV2 et ResNet50, ont été adaptés pour transformer chaque image en une empreinte numérique compacte.

Comment le modèle few-shot prend ses décisions

Plutôt que d’alimenter simplement toutes les images dans un classifieur standard, le système a appris via de petites tâches reproduisant des situations réelles à faible données. Dans chaque tâche, il n’a vu que quelques exemples par classe, les a utilisés pour déterminer un « centre » typique pour cette classe, puis a décidé où les nouvelles images s’ajustaient le mieux. Les distances entre images et ces centres ont été mesurées d’une manière prenant en compte la dispersion propre à chaque classe, ce qui facilite la détection de différences subtiles. En répétant de nombreux épisodes de ce type, le modèle a progressivement appris des caractéristiques qui séparent les quatre groupes de nanoparticules, malgré la petitesse du jeu de données total.

Un modèle compact avec de bonnes performances

Lorsque les chercheurs ont comparé différents protocoles d’entraînement, l’approche few-shot la plus avancée, utilisant MobileNetV2, a donné les meilleurs résultats. Cette version combinait un entraînement épisodique, des centres de classe affinés par clustering, et une mesure de distance sensible aux motifs présents dans les données. Elle a atteint environ 95 % d’exactitude tout en restant assez compacte pour fonctionner sur des ordinateurs modestes voire des dispositifs embarqués. Des méthodes plus simples reposant sur l’apprentissage par transfert classique ou sur des mesures de distance basiques ont nettement moins bien performé, soulignant l’intérêt d’adapter la stratégie d’entraînement aux conditions de faible données.

Ce que cela signifie pour le travail de laboratoire futur

Pour un non-spécialiste, le message clé est que la production écologique de nanoparticules peut être associée à une analyse d’images intelligente et économe en données pour accélérer les flux de travail en laboratoire. Alors que la méthode végétale pour le carbonate de calcium paraît prometteuse et que la voie argentée nécessite encore des améliorations, le cadre d’apprentissage few-shot montre déjà qu’une classification fiable des particules ne requiert pas d’énormes bibliothèques d’images. Des approches de ce type pourraient un jour aider de petits groupes de recherche ou des cliniques à vérifier rapidement la qualité et le type de matériaux nanoparticulaires, favorisant un usage plus sûr et plus homogène en médecine et dans d’autres technologies.

Citation: Venkatappa, U., Bhat, S., Dixit, M. et al. Few-shot learning for classification of SEM images from green-synthesized nanoparticles of Momordica cymbalaria. Sci Rep 16, 16185 (2026). https://doi.org/10.1038/s41598-026-46307-1

Mots-clés: nanotechnologie verte, apprentissage few-shot, classification d’images MEB, Momordica cymbalaria, synthèse de nanoparticules