L'istopatologia è uno dei principali metodi utilizzati per la diagnosi della malattia. A seguito di un processo di screening medico, un paziente può essere sottoposto a biopsia, in cui un pezzo di tessuto viene rimosso per ulteriori ispezioni e analisi diagnostiche. Questo campione di tessuto viene quindi tagliato in sezioni sottili dell'ordine di pochi milionesimi di metro di spessore. Queste sottili sezioni di tessuto contengono su scala microscopica le informazioni diagnostiche riguardanti le condizioni del paziente. Però, mostrano quasi nessun contrasto sotto la microscopia ottica standard. Per rivelare queste caratteristiche microscopiche incorporate all'interno del tessuto e portare un contrasto visibile per l'ispezione da parte di un patologo, vari metodi di colorazione dei tessuti sono stati creati in patologie risalenti a più di 150 anni fa. Queste procedure di colorazione dei tessuti utilizzano diversi tipi di coloranti colorati che etichettano in modo specifico le strutture in microscala nei tessuti, formare immagini colorate di esemplari, che sono stati ampiamente utilizzati come metodo diagnostico gold standard nella medicina moderna.

Però, questo processo standard di colorazione di un campione di tessuto è laborioso, costoso e richiede un'infrastruttura di laboratorio dedicata, reagenti chimici, nonché personale formato (istotecnologi). Per di più, i metodi di colorazione attualmente utilizzati non preservano i campioni di tessuto, che è una limitazione poiché l'analisi molecolare avanzata del campione di tessuto non può essere eseguita facilmente dopo il processo di colorazione iniziale.

I ricercatori dell'UCLA hanno sviluppato un metodo basato sull'apprendimento profondo per acquisire un'immagine microscopica di composti fluorescenti naturalmente presenti in sezioni di tessuto non colorate e trasformare digitalmente questa immagine di "auto-fluorescenza" in un'immagine equivalente dello stesso tessuto, come se fosse stato prelevato dopo il normale processo di colorazione dei tessuti. Detto diversamente, questo metodo basato sull'apprendimento profondo colora virtualmente campioni di tessuto non etichettati, sostituendo le fasi manuali e laboriose di lavorazione e colorazione normalmente eseguite da istotecnologi o personale medico, risparmio di manodopera, costi e tempi sostituendo la maggior parte dei compiti eseguiti da un istotecnologo con una rete neurale addestrata.

Il successo di questo nuovo metodo di colorazione virtuale è stato dimostrato per diversi coloranti e tipi di tessuto umano, comprese le sezioni della ghiandola salivare, tiroide, rene, fegato e polmone. L'efficacia del processo di colorazione virtuale è stata valutata in modo indipendente da un gruppo di patologi certificati, che erano ciechi sull'origine delle immagini esaminate in modo tale che i patologi non sapevano quali immagini fossero state effettivamente colorate da un tecnico esperto e quali fossero state virtualmente colorate da una rete neurale. La conclusione di questo studio in cieco non ha rivelato differenze clinicamente significative nella qualità della colorazione e nelle diagnosi mediche risultanti dalle due serie di immagini. Questo processo di colorazione virtuale basato sull'apprendimento profondo ridurrà significativamente i costi e i tempi di preparazione del campione, risparmiando anche manodopera specializzata. Poiché richiede solo un microscopio a fluorescenza standard e un semplice computer (come un laptop), è particolarmente trasformativo per le esigenze patologiche in contesti con risorse limitate e nei paesi in via di sviluppo.

Questa ricerca è stata pubblicata in Ingegneria biomedica della natura , ed è stato guidato dal dottor Aydogan Ozcan, il Professore del Rettore di ingegneria elettrica e informatica all'UCLA, e direttore associato del California NanoSystems Institute (CNSI), Dottor Yair Rivenson, professore a contratto di ingegneria elettrica e informatica presso l'UCLA, insieme a studenti laureati UCLA, Hongda Wang, Kevin de Haan e Zhensong Wei. La convalida clinica di questo metodo di colorazione virtuale è stata diretta dal Dr. W. Dean Wallace del Dipartimento di Patologia e Medicina di Laboratorio della David Geffen School of Medicine dell'UCLA.

"Questa tecnologia ha il potenziale per cambiare radicalmente il flusso di lavoro dell'istopatologia clinica, rendendo il processo di colorazione dei tessuti estremamente rapido e semplice, senza la necessità di tecnici esperti o di un laboratorio medico avanzato." ha affermato il dott. Rivenson. "Questo potente framework di colorazione virtuale basato sull'intelligenza artificiale può essere utilizzato anche nelle sale operatorie per valutare rapidamente i margini del tumore, fornendo una guida critica e altamente necessaria per i chirurghi durante un'operazione", ha aggiunto il dottor Ozcan.

Un altro importante impatto di questo metodo di colorazione virtuale è la standardizzazione dell'intero processo di colorazione poiché una rete neurale addestrata elimina anche la variabilità di colorazione osservata tra tecnici e laboratori medici, che possono causare diagnosi errate e classificazione errata delle biopsie.