Kemikaliefri genfarvning af væv ved hjælp af dyb læring

Vævsbaseret diagnosticering af sygdomme er afhængig af den visuelle inspektion af biopsierede vævsprøver af patologer ved hjælp af et optisk mikroskop. Før vævsprøven sættes under et mikroskop til inspektion, påføres specielle kemiske farvestoffer på prøven til farvning, hvilket forbedrer billedkontrasten og bringer farve til forskellige vævsbestanddele. Denne kemiske farvningsproces er besværlig og tidskrævende, udført af menneskelige eksperter. I mange kliniske tilfælde, ud over den almindeligt anvendte hæmatoxylin og eosin (H&E) farve, har patologer brug for yderligere specielle farvninger og kemikalier for at forbedre nøjagtigheden af ​​deres diagnose. Brug af yderligere vævspletter og kemikalier er dog langsom og resulterer i ekstra omkostninger og forsinkelser.

I et nyligt værk offentliggjort i ACS Photonics UCLA-forskere udviklede en beregningsmetode drevet af kunstig intelligens til virtuelt at overføre (genfarve) billeder af væv, der allerede er farvet med H&E, til forskellige farvetyper uden brug af kemikalier. Ud over at spare eksperttekniker betydeligt tid, kemisk farvningsrelaterede omkostninger og giftigt affald genereret af histologiske laboratorier, er denne virtuelle vævsgenfarvningsmetode også mere gentagelig end farvningen udført af menneskelige teknikere. Desuden sparer det det biopsierede væv for at udføre mere avancerede diagnostiske tests, hvilket eliminerer behovet for endnu en unødvendig biopsi.

Tidligere metoder til at udføre virtuel pletoverførsel stod over for et stort problem:et vævsglas kan farves én gang med én type plet, og at vaske den eksisterende plet væk og anbringe en ny kemisk farvning er meget vanskelig og praktiseres sjældent i kliniske omgivelser. Dette gør det meget udfordrende at få parrede billeder af forskellige farvetyper, hvilket er en væsentlig del af deep learning-baserede billedoversættelsesmetoder.

For at afhjælpe dette problem demonstrerede UCLA-teamet en ny virtuel pletoverførselsramme ved hjælp af en kaskade af to forskellige dybe neurale netværk, der arbejder sammen. Under træningsprocessen lærte det første neurale netværk praktisk talt at farve autofluorescensbilleder af ufarvet væv ind i H&E-farvning, og det andet neurale netværk, der er kaskaderet til det første, lærte at udføre farveoverførsel fra H&E til en anden speciel farve (PAS). Denne kaskadeformede træningsstrategi gjorde det muligt for neurale netværk direkte at udnytte histokemisk farvede billeddata på både H&E- og PAS-farvninger, hvilket hjalp med at udføre meget nøjagtige farve-til-farvning-transformationer og virtuel genfarvning af eksisterende vævsglas.

Denne virtuelle vævsgenfarvningsmetode kan anvendes på forskellige andre specielle farvninger, der anvendes i histologi og vil åbne op for nye muligheder inden for digital patologi og vævsbaseret diagnostik.

Denne forskning blev ledet af Dr. Aydogan Ozcan, kanslerprofessor og Volgenau Chair for Engineering Innovation ved UCLA Electrical &Computer Engineering and Bioengineering. De andre forfattere af dette værk omfatter Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan og Tairan Liu. Dr. Ozcan har også en fakultetsansættelse i kirurgiafdelingen på UCLA David Geffen School of Medicine og er associeret direktør for California NanoSystems Institute (CNSI). + Udforsk yderligere

AI genfarver billeder af vævsbiopsi med nye pletter, hvilket forbedrer nøjagtigheden af ​​diagnoser