Weefselgebaseerde diagnose van ziekten is afhankelijk van de visuele inspectie van biopsie-weefselmonsters door pathologen met behulp van een optische microscoop. Voordat het weefselmonster voor inspectie onder een microscoop wordt geplaatst, worden speciale chemische kleurstoffen op het monster aangebracht voor kleuring, wat het beeldcontrast verbetert en kleur geeft aan verschillende weefselbestanddelen. Dit chemische kleurproces is arbeidsintensief en tijdrovend, uitgevoerd door menselijke experts. In veel klinische gevallen hebben pathologen, naast de veelgebruikte hematoxyline- en eosine (H&E)-kleuring, aanvullende speciale kleuringen en chemicaliën nodig om de nauwkeurigheid van hun diagnose te verbeteren. Het gebruik van extra weefselvlekken en chemicaliën is echter traag en leidt tot extra kosten en vertragingen.

In een recent werk gepubliceerd in ACS Photonics UCLA-onderzoekers ontwikkelden een computerbenadering die wordt aangedreven door kunstmatige intelligentie om afbeeldingen van weefsel dat al met H&E is gekleurd virtueel over te brengen (opnieuw kleuren) in verschillende soorten vlekken zonder chemicaliën te gebruiken. Naast een aanzienlijke besparing van tijd voor deskundige technici, kosten die verband houden met chemische kleuring en giftig afval dat wordt gegenereerd door histologische laboratoria, is deze methode voor het opnieuw kleuren van virtueel weefsel ook beter herhaalbaar dan de kleuring die wordt uitgevoerd door menselijke technici. Bovendien wordt het biopsieweefsel bewaard voor het uitvoeren van geavanceerdere diagnostische tests, waardoor er geen tweede onnodige biopsie nodig is.

Eerdere methoden om virtuele vlekoverdracht uit te voeren hadden te maken met één groot probleem:een weefselglaasje kan één keer worden gekleurd met één type vlek, en het wegwassen van de bestaande vlek en het aanbrengen van een nieuwe chemische vlek is erg moeilijk en wordt zelden toegepast in klinische omgevingen. Dit maakt het verkrijgen van gepaarde afbeeldingen van verschillende vlektypes zeer uitdagend, wat een essentieel onderdeel is van op deep learning gebaseerde beeldvertaalmethoden.

Om dit probleem te verlichten, demonstreerde het UCLA-team een ​​nieuw virtueel vlekoverdrachtraamwerk met behulp van een cascade van twee verschillende diepe neurale netwerken die samenwerken. Tijdens het trainingsproces leerde het eerste neurale netwerk om autofluorescentiebeelden van ongekleurd weefsel virtueel in H&E-kleuring te kleuren, en het tweede neurale netwerk dat trapsgewijs naar de eerste loopt, leerde om vlekoverdracht van H&E naar een andere speciale kleuring (PAS) uit te voeren. Deze trapsgewijze trainingsstrategie stelde de neurale netwerken in staat om histochemisch gekleurde beeldgegevens op zowel H&E- als PAS-vlekken direct te exploiteren, wat hielp bij het uitvoeren van zeer nauwkeurige transformaties van kleur naar vlek en virtuele herkleuring van bestaande weefselglaasjes.

Deze virtuele weefselherkleuringsmethode kan worden toegepast op verschillende andere speciale kleuringen die in de histologie worden gebruikt en zal nieuwe kansen bieden in digitale pathologie en op weefsel gebaseerde diagnostiek.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, Chancellor's Professor en Volgenau Chair for Engineering Innovation aan de UCLA Electrical &Computer Engineering and Bioengineering. De andere auteurs van dit werk zijn Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan en Tairan Liu. Dr. Ozcan heeft ook een faculteitsaanstelling op de afdeling chirurgie van de UCLA David Geffen School of Medicine en is associate director van het California NanoSystems Institute (CNSI). + Verder verkennen

AI kleurt afbeeldingen van weefselbiopsie opnieuw met nieuwe vlekken, waardoor de nauwkeurigheid van diagnoses wordt verbeterd