Histopathologie is een van de belangrijkste methoden die worden gebruikt voor de diagnose van ziekten. Na een medisch screeningproces, een patiënt kan een biopsie ondergaan, waarbij een stukje weefsel wordt verwijderd voor verdere inspectie en diagnostische analyse. Dit weefselmonster wordt vervolgens in dunne plakjes gesneden die in de orde van enkele miljoensten van een meter dik zijn. Deze dunne weefselsecties bevatten op microscopische schaal de diagnostische informatie over de toestand van de patiënt. Echter, ze vertonen bijna geen contrast onder standaard lichtmicroscopie. Om deze microscopische kenmerken die in het weefsel zijn ingebed te onthullen en zichtbaar contrast te brengen voor inspectie door een patholoog, verschillende methoden voor weefselkleuring zijn gemaakt in pathologie die teruggaat tot meer dan 150 jaar geleden. Deze weefselkleuringsprocedures gebruiken verschillende soorten gekleurde kleurstoffen die specifiek microschaalstructuren in weefsel labelen, het vormen van kleurrijke afbeeldingen van exemplaren, die op grote schaal zijn gebruikt als een gouden standaard diagnostische methode in de moderne geneeskunde.

Echter, dit standaard proces van het kleuren van een weefselspecimen is omslachtig, kostbaar en vereist een speciale laboratoriuminfrastructuur, chemische reagentia, evenals opgeleid personeel (histotechnologen). Verder, momenteel gebruikte kleuringsmethoden bewaren geen weefselmonsters, wat een beperking is, aangezien geavanceerde moleculaire analyse van het weefselmonster niet gemakkelijk kan worden uitgevoerd na het eerste kleuringsproces.

Onderzoekers van de UCLA hebben een op diepgaande leermethode gebaseerde methode ontwikkeld om een ​​microscopisch beeld te maken van natuurlijk aanwezige fluorescerende verbindingen in ongekleurde weefselcoupes en dit "autofluorescentie"-beeld digitaal om te zetten in een equivalent beeld van hetzelfde weefsel. alsof het werd genomen na het standaard weefselkleuringsproces. Anders gezegd, deze op deep learning gebaseerde methode kleurt vrijwel ongelabelde weefselmonsters, vervanging van de handmatige en moeizame verwerkings- en kleuringsstappen die normaal worden uitgevoerd door histotechnologen of medisch personeel, arbeidsbesparing, kosten en tijd door de meeste taken van een histotechnoloog te vervangen door een getraind neuraal netwerk.

Het succes van deze nieuwe virtuele kleuringsmethode werd aangetoond voor verschillende kleuringen en menselijke weefseltypes, inclusief delen van de speekselklier, schildklier, nier, lever en long. De werkzaamheid van het virtuele kleuringsproces werd onafhankelijk beoordeeld door een panel van gecertificeerde pathologen, die blind waren voor de herkomst van de onderzochte beelden, zodat de pathologen niet wisten welke beelden daadwerkelijk door een deskundige technicus waren gekleurd en welke beelden virtueel waren gekleurd door een neuraal netwerk. De conclusie van deze geblindeerde studie bracht geen klinisch significant verschil aan het licht in de kleuringskwaliteit en de medische diagnoses als gevolg van de twee sets afbeeldingen. Dit virtuele kleurproces, mogelijk gemaakt door deep learning, zal de kosten en de voorbereidingstijd van het monster aanzienlijk verminderen, terwijl ook deskundige arbeid wordt bespaard. Omdat het alleen een standaard fluorescentiemicroscoop en een eenvoudige computer (zoals een laptop) vereist, het is vooral transformerend voor pathologiebehoeften in omgevingen met beperkte middelen en ontwikkelingslanden.

Dit onderzoek is gepubliceerd in Natuur Biomedische Technologie , en werd geleid door Dr. Aydogan Ozcan, de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA, en een associate director van het California NanoSystems Institute (CNSI), Dr. Yair Rivenson, een adjunct-hoogleraar elektrische en computertechniek aan de UCLA, samen met UCLA afgestudeerde studenten, Hongda Wang, Kevin de Haan en Zhensong Wei. Klinische validatie van deze virtuele kleuringsmethode werd geleid door Dr. W. Dean Wallace van de afdeling Pathologie en Laboratoriumgeneeskunde van de David Geffen School of Medicine aan de UCLA.

"Deze technologie heeft het potentieel om de klinische histopathologische workflow fundamenteel te veranderen, door het proces van weefselkleuring extreem snel en eenvoudig te maken, zonder de noodzaak van deskundige technici of een geavanceerd medisch laboratorium", aldus Dr. Rivenson. "Dit krachtige op AI gebaseerde virtuele kleuringskader kan ook worden gebruikt in operatiekamers om tumormarges snel te beoordelen, het verstrekken van hoognodige en kritische begeleiding voor chirurgen tijdens een operatie", voegde Dr. Ozcan toe.

Een ander belangrijk effect van deze virtuele kleuringsmethode is de standaardisatie van het hele kleurproces, aangezien een getraind neuraal netwerk ook de kleurvariabiliteit elimineert die wordt waargenomen bij technici en medische laboratoria, wat kan leiden tot verkeerde diagnoses en verkeerde classificatie van biopsieën.