In ospedale, c’è un gruppo di medici che usano campioni di tessuto come “materiale di prova”, analizzano le prove usando coltelli, affettatrici e microscopi per estrarre indizi dai campioni di tessuto e forniscono ai pazienti “verditi” – rapporti diagnostici. Sono chiamati i “giudici” dell’ospedale: i patologi. I patologi osservano i campioni colorandoli prima. Tuttavia, le procedure standard per la colorazione dei campioni di tessuto in istopatologia richiedono molto tempo e richiedono infrastrutture di laboratorio specializzate, reagenti chimici e tecnici qualificati. L’incertezza nella colorazione dei tessuti nella gestione di diversi laboratori e tecnici di istologia può portare a diagnosi errate. Inoltre,
Con il progresso dell’intelligenza artificiale (AI), i ricercatori stanno utilizzando tecniche di intelligenza artificiale per migliorare il flusso di lavoro della patologia. Un recente studio dell’Università della California a Los Angeles (UCLA) ha utilizzato reti neurali profonde per colorare virtualmente immagini microscopiche di tessuti non etichettati. La ricerca è stata pubblicata su Intelligent Computing il 27 ottobre.
Le reti neurali profonde sono già state applicate per colorare le immagini di sezioni di tessuto senza etichetta, evitando diversi processi di colorazione istochimica laboriosi e dispendiosi in termini di tempo. Ci sono, tuttavia, alcuni colli di bottiglia. “In tutti i metodi di colorazione virtuale senza etichetta, l’acquisizione di immagini a fuoco delle sezioni di tessuto non etichettate è essenziale. In generale, la messa a fuoco è un passaggio critico ma dispendioso in termini di tempo nella microscopia ottica a scansione”. Gli autori hanno detto. Il metodo di messa a fuoco automatica più utilizzato richiede molti punti di messa a fuoco nell’area del vetrino del tessuto con un’elevata precisione di messa a fuoco e il miglior piano focale è determinato da un algoritmo di ricerca iterativo, che richiede tempo e può introdurre fotodanneggiamento e fotosbiancamento sui campioni.
Per superare questi problemi, gli autori presentano un nuovo framework di colorazione virtuale veloce basato sul deep learning. Gli autori hanno affermato: “Questo framework utilizza una rete neurale con messa a fuoco automatica (denominata Deep-R) per rifocalizzare digitalmente le immagini sfocate dell’autofluorescenza. Quindi viene utilizzata una rete di colorazione virtuale per trasformare le immagini rifocalizzate in immagini virtualmente colorate. Rispetto alla struttura di colorazione virtuale standard, la nuova struttura dimostrata dagli autori utilizza un minor numero di punti focali e riduce la precisione di messa a fuoco per ciascun punto di messa a fuoco per acquisire immagini di autofluorescenza dell’intero vetrino a fuoco grossolano.
Questa nuova struttura di colorazione virtuale può ridurre significativamente il tempo per la messa a fuoco automatica e l’intero processo di acquisizione dell’immagine. Gli autori hanno affermato: “Il framework basato sul deep learning riduce il tempo totale di acquisizione dell’immagine necessario per la colorazione virtuale di immagini di diapositive intere (WSI) senza etichetta di circa il 32%, determinando anche una diminuzione di circa l’89% del tempo di messa a fuoco automatica per tessuto diapositiva.” Nonostante la perdita di nitidezza e contrasto dell’immagine rispetto alle strutture di colorazione virtuale standard, è ancora possibile produrre una colorazione di alta qualità, che corrisponde molto bene alle corrispondenti immagini della verità del suolo colorate istochimicamente. Inoltre, questa struttura può essere utilizzata anche come modulo aggiuntivo per migliorare la robustezza della struttura di colorazione virtuale standard.
Questo quadro di colorazione virtuale veloce avrà maggiori prospettive di sviluppo in futuro. “Questo flusso di lavoro di colorazione virtuale veloce può essere esteso anche a molte altre colorazioni, come la colorazione tricromica di Masson, la colorazione argento di Jones e le colorazioni immunoistochimiche (IHC).” Gli autori hanno detto. “Sebbene l’approccio di colorazione virtuale presentato qui sia stato dimostrato basato sull’imaging dell’autofluorescenza di sezioni di tessuto non etichettate, può anche essere utilizzato per accelerare il flusso di lavoro di colorazione virtuale di altre modalità di microscopia senza etichetta”.
