Kunstig intelligens farver digitalt vævsprøver brugt i patologi, spare arbejdskraft, tid og omkostninger

Histopatologi er en af ​​de vigtigste metoder, der anvendes til diagnosticering af sygdom. Efter en medicinsk screeningsproces, en patient kan gennemgå en biopsi, hvor et stykke væv fjernes til yderligere inspektion og diagnostisk analyse. Denne vævsprøve skæres derefter i tynde sektioner, der er i størrelsesordenen et par milliontedele meter i tykkelse. Disse tynde sektioner af væv indeholder i mikroskopisk skala den diagnostiske information om patientens tilstand. Imidlertid, de udviser næsten ingen kontrast under standard lysmikroskopi. For at afsløre disse mikroskopiske træk indlejret i væv og bringe synlig kontrast til inspektion af en patolog, forskellige vævsfarvningsmetoder er blevet skabt inden for patologi, der går tilbage til mere end 150 år siden. Disse vævsfarvningsprocedurer bruger forskellige typer farvede farvestoffer, der specifikt mærker mikroskalastrukturer i væv, danner farverige billeder af prøver, som har været meget brugt som en guldstandard diagnostisk metode i moderne medicin.

Imidlertid, denne standardproces med farvning af en vævsprøve er besværlig, dyrt og kræver en dedikeret laboratorieinfrastruktur, kemiske reagenser, samt uddannet personale (histoteknologer). Desuden, aktuelt anvendte farvningsmetoder bevarer ikke vævsprøver, hvilket er en begrænsning, da avanceret molekylær analyse af vævsprøven ikke let kan udføres efter den indledende farvningsproces.

Forskere ved UCLA har udviklet en deep learning-baseret metode til at tage et mikroskopisk billede af naturligt tilstedeværende fluorescerende forbindelser i ufarvede vævssnit og digitalt transformere dette "auto-fluorescens" billede til et tilsvarende billede af det samme væv, som om det blev taget efter standard vævsfarvningsprocessen. Sagt anderledes, denne deep learning-baserede metode farver nærmest umærkede vævsprøver, erstatte de manuelle og besværlige behandlings- og farvningstrin, der normalt udføres af histoteknologer eller medicinsk personale, spare arbejdskraft, omkostninger og tid ved at erstatte de fleste af de opgaver, en histoteknolog udfører, med et trænet neuralt netværk.

Succesen med denne nye virtuelle farvningsmetode blev demonstreret for forskellige pletter og humane vævstyper, inklusive dele af spytkirtlen, skjoldbruskkirtel, nyre, lever og lunge. Effektiviteten af ​​den virtuelle farvningsproces blev uafhængigt evalueret af et panel af bestyrelsescertificerede patologer, som var blindet for oprindelsen af ​​de undersøgte billeder, således at patologerne ikke vidste, hvilke billeder der rent faktisk var farvet af en ekspert tekniker, og hvilke billeder der praktisk talt var farvet af et neuralt netværk. Konklusionen på denne blindede undersøgelse afslørede ingen klinisk signifikant forskel i farvningskvaliteten og de medicinske diagnoser som følge af de to sæt billeder. Denne virtuelle farvningsproces drevet af dyb læring vil reducere omkostningerne og prøveforberedelsestid markant, samtidig med at du sparer ekspertarbejde. Da det kun kræver et standard fluorescensmikroskop og en simpel computer (såsom en bærbar computer), det er især transformerende for patologibehov i ressourcebegrænsede omgivelser og udviklingslande.

Denne forskning blev offentliggjort i Natur biomedicinsk teknik , og blev ledet af Dr. Aydogan Ozcan, kanslerens professor i elektro- og computerteknik ved UCLA, og en associeret direktør for California NanoSystems Institute (CNSI), Dr. Yair Rivenson, en adjungeret professor i elektro- og computerteknik ved UCLA, sammen med UCLA kandidatstuderende, Hongda Wang, Kevin de Haan og Zhensong Wei. Klinisk validering af denne virtuelle farvningsmetode blev instrueret af Dr. W. Dean Wallace fra Institut for Patologi og Laboratoriemedicin ved David Geffen School of Medicine ved UCLA.

"Denne teknologi har potentialet til fundamentalt at ændre den kliniske histopatologiske arbejdsgang, ved at gøre vævsfarvningsprocessen ekstremt hurtig og enkel, uden behov for ekspertteknikere eller et avanceret medicinsk laboratorium." sagde Dr. Rivenson. "Denne kraftfulde AI-baserede virtuelle farvningsramme kan også bruges i operationsrum til hurtigt at vurdere tumormargener, at give yderst tiltrængt og kritisk vejledning til kirurger under en operation", tilføjede Dr. Ozcan.

En anden stor virkning af denne virtuelle farvningsmetode er standardiseringen af ​​hele farvningsprocessen, da et trænet neuralt netværk også eliminerer farvningsvariabiliteten, der observeres blandt teknikere og medicinske laboratorier, som kan forårsage fejldiagnosticering og fejlklassificering af biopsier.