O diagnóstico de doenças baseado em tecido depende da inspeção visual de espécimes de tecido biopsiados por patologistas usando um microscópio óptico. Antes de colocar a amostra de tecido sob um microscópio para inspeção, corantes químicos especiais são aplicados à amostra para coloração, o que aumenta o contraste da imagem e traz cor a vários constituintes do tecido. Este processo de coloração química é trabalhoso e demorado, realizado por especialistas humanos. Em muitos casos clínicos, além da coloração de hematoxilina e eosina (H&E) comumente usada, os patologistas precisam de corantes e produtos químicos especiais adicionais para melhorar a precisão de seu diagnóstico. No entanto, o uso de corantes de tecidos e produtos químicos adicionais é lento e resulta em custos extras e atrasos.
Em um trabalho recente publicado na ACS Photonics , os pesquisadores da UCLA desenvolveram uma abordagem computacional alimentada por inteligência artificial para transferir virtualmente (recolorir) imagens de tecidos já corados com H&E em diferentes tipos de manchas sem usar produtos químicos. Além de economizar significativamente o tempo do técnico especializado, os custos relacionados à coloração química e os resíduos tóxicos gerados pelos laboratórios de histologia, esse método de recoloração de tecido virtual também é mais repetível do que a coloração realizada por técnicos humanos. Além disso, economiza o tecido biopsiado para a realização de testes diagnósticos mais avançados, eliminando a necessidade de uma segunda biópsia desnecessária.

Os métodos anteriores para realizar a transferência virtual de manchas enfrentavam um grande problema:uma lâmina de tecido pode ser corada uma vez com um tipo de mancha, e lavar a mancha existente e colocar uma nova mancha química é muito difícil e raramente praticado em ambientes clínicos. Isso torna a aquisição de imagens emparelhadas de diferentes tipos de manchas muito desafiadora, o que é uma parte essencial dos métodos de tradução de imagens baseados em aprendizado profundo.

Para aliviar esse problema, a equipe da UCLA demonstrou uma nova estrutura de transferência de manchas virtuais usando uma cascata de duas redes neurais profundas diferentes trabalhando juntas. Durante o processo de treinamento, a primeira rede neural aprendeu a colorir virtualmente imagens de autofluorescência de tecido não corado em coloração H&E, e a segunda rede neural que está em cascata para a primeira aprendeu a realizar transferência de coloração de H&E para outra coloração especial (PAS). Essa estratégia de treinamento em cascata permitiu que as redes neurais explorassem diretamente os dados de imagem corados histoquimicamente em ambos os corantes H&E e PAS, o que ajudou a realizar transformações de coloração a coloração altamente precisas e recoloração virtual de lâminas de tecido existentes.

Este método de recoloração de tecido virtual pode ser aplicado a vários outros corantes especiais usados ​​em histologia e abrirá novas oportunidades em patologia digital e diagnóstico baseado em tecido.

Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, Professor do Chanceler e Cátedra Volgenau para Inovação em Engenharia na UCLA Engenharia Elétrica e de Computação e Bioengenharia. Os outros autores deste trabalho incluem Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan e Tairan Liu. O Dr. Ozcan também tem uma nomeação para o corpo docente do departamento de cirurgia da UCLA David Geffen School of Medicine e é diretor associado do California NanoSystems Institute (CNSI). + Explorar mais

A IA recolore imagens de biópsia de tecido com novas colorações, melhorando a precisão dos diagnósticos