Ricolorazione virtuale del tessuto mediante reti neurali profonde a cascata. Credito:Ozcan Lab @ UCLA.
La diagnosi tissutale delle malattie si basa sull'ispezione visiva dei campioni di tessuto sottoposti a biopsia da parte dei patologi utilizzando un microscopio ottico. Prima di sottoporre il campione di tessuto al microscopio per l'ispezione, al campione vengono applicati coloranti chimici speciali per la colorazione, che migliorano il contrasto dell'immagine e portano colore a vari costituenti del tessuto. Questo processo di colorazione chimica è laborioso e richiede tempo, eseguito da esperti umani. In molti casi clinici, oltre alla colorazione comunemente usata con ematossilina ed eosina (H&E), i patologi necessitano di coloranti e sostanze chimiche speciali aggiuntivi per migliorare l'accuratezza della loro diagnosi. Tuttavia, l'uso di ulteriori coloranti e sostanze chimiche per tessuti è lento e comporta costi e ritardi aggiuntivi.
In un recente lavoro pubblicato su ACS Photonics , i ricercatori dell'UCLA hanno sviluppato un approccio computazionale basato sull'intelligenza artificiale per trasferire virtualmente (ricolorare) immagini di tessuti già colorati con H&E in diversi tipi di colorazione senza l'uso di sostanze chimiche. Oltre a far risparmiare in modo significativo il tempo dei tecnici esperti, i costi relativi alla colorazione chimica e i rifiuti tossici generati dai laboratori di istologia, questo metodo di ricolorazione virtuale dei tessuti è anche più ripetibile della colorazione eseguita dai tecnici umani. Inoltre, salva il tessuto sottoposto a biopsia per l'esecuzione di test diagnostici più avanzati, eliminando la necessità di una seconda biopsia non necessaria.
I metodi precedenti per eseguire il trasferimento virtuale della colorazione hanno affrontato un problema importante:un vetrino di tessuto può essere colorato una volta con un tipo di colorazione e lavare via la colorazione esistente e applicare una nuova colorazione chimica è molto difficile e raramente praticato in ambito clinico. Ciò rende molto difficile l'acquisizione di immagini accoppiate di diversi tipi di macchie, che è una parte essenziale dei metodi di traduzione delle immagini basati sull'apprendimento profondo.
Per alleviare questo problema, il team dell'UCLA ha dimostrato un nuovo framework di trasferimento delle macchie virtuali utilizzando una cascata di due diverse reti neurali profonde che lavorano insieme. Durante il processo di addestramento, la prima rete neurale ha imparato a colorare virtualmente le immagini di autofluorescenza di tessuto non colorato nella colorazione H&E, e la seconda rete neurale collegata a cascata alla prima ha imparato a eseguire il trasferimento della colorazione da H&E in un'altra colorazione speciale (PAS). Questa strategia di addestramento a cascata ha consentito alle reti neurali di sfruttare direttamente i dati dell'immagine colorati istochimicamente su entrambi i colori H&E e PAS, il che ha aiutato a eseguire trasformazioni da macchia a macchia altamente accurate e la ricolorazione virtuale dei vetrini di tessuto esistenti.
Questo metodo di restrizione tissutale virtuale può essere applicato a varie altre colorazioni speciali utilizzate in istologia e aprirà nuove opportunità nella patologia digitale e nella diagnostica tissutale.
Questa ricerca è stata guidata dal Dr. Aydogan Ozcan, Professore del Cancelliere e Cattedra di Volgenau per l'Innovazione ingegneristica presso l'UCLA Electrical &Computer Engineering and Bioengineering. Gli altri autori di questo lavoro includono Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan e Tairan Liu. Il dottor Ozcan ha anche un incarico di facoltà nel dipartimento di chirurgia presso la David Geffen School of Medicine dell'UCLA ed è direttore associato del California NanoSystems Institute (CNSI). + Esplora ulteriormente
