A histopatologia é um dos principais métodos utilizados para o diagnóstico de doenças. Após um processo de triagem médica, um paciente pode ser submetido a uma biópsia, em que um pedaço de tecido é removido para posterior inspeção e análise diagnóstica. Essa amostra de tecido é então cortada em seções finas com espessura da ordem de alguns milionésimos de metro. Essas finas seções de tecido contêm, em escala microscópica, as informações diagnósticas sobre a condição do paciente. Contudo, eles exibem quase nenhum contraste sob microscopia de luz padrão. Para revelar essas características microscópicas embutidas no tecido e trazer contraste visível para inspeção por um patologista, vários métodos de coloração de tecido foram criados em patologias que datam de mais de 150 anos atrás. Esses procedimentos de coloração de tecido usam diferentes tipos de corantes coloridos que marcam especificamente estruturas em escala micro no tecido, formando imagens coloridas de espécimes, que têm sido amplamente utilizados como método diagnóstico padrão ouro na medicina moderna.

Contudo, este processo padrão de coloração de uma amostra de tecido é trabalhoso, caro e requer uma infraestrutura de laboratório dedicada, reagentes químicos, bem como pessoal treinado (histotecnologistas). Além disso, os métodos de coloração usados ​​atualmente não preservam as amostras de tecido, o que é uma limitação, uma vez que a análise molecular avançada da amostra de tecido não pode ser realizada facilmente após o processo de coloração inicial.

Pesquisadores da UCLA desenvolveram um método baseado em aprendizagem profunda para obter uma imagem microscópica de compostos fluorescentes naturalmente presentes em seções de tecido não coradas e transformar digitalmente esta imagem de "autofluorescência" em uma imagem equivalente do mesmo tecido, como se tivesse sido tirada após o processo de coloração de tecido padrão. Dito de outra forma, este método baseado em aprendizagem profunda praticamente mancha amostras de tecido não rotuladas, substituir o processamento manual e trabalhoso e as etapas de coloração que normalmente são realizadas por histotecnologistas ou pessoal médico, economizando trabalho, custo e tempo, substituindo a maioria das tarefas realizadas por um histotecnologista por uma rede neural treinada.

O sucesso deste novo método de coloração virtual foi demonstrado para diferentes manchas e tipos de tecido humano, incluindo seções da glândula salivar, tireoide, rim, fígado e pulmão. A eficácia do processo de coloração virtual foi avaliada de forma independente por um painel de patologistas certificados, que desconheciam a origem das imagens examinadas, de modo que os patologistas não sabiam quais imagens foram realmente coradas por um técnico especializado e quais foram praticamente coradas por uma rede neural. A conclusão deste estudo cego não revelou nenhuma diferença clinicamente significativa na qualidade da coloração e nos diagnósticos médicos resultantes dos dois conjuntos de imagens. Este processo de coloração virtual impulsionado pelo aprendizado profundo irá reduzir significativamente o custo e o tempo de preparação da amostra, ao mesmo tempo em que economiza trabalho especializado. Uma vez que requer apenas um microscópio de fluorescência padrão e um computador simples (como um laptop), é especialmente transformador para as necessidades de patologia em ambientes com recursos limitados e países em desenvolvimento.

Esta pesquisa foi publicada em Nature Biomedical Engineering , e foi liderado pelo Dr. Aydogan Ozcan, o professor do chanceler de engenharia elétrica e da computação na UCLA, e um diretor associado do California NanoSystems Institute (CNSI), Dr. Yair Rivenson, professor adjunto de engenharia elétrica e da computação na UCLA, junto com alunos de graduação da UCLA, Hongda Wang, Kevin de Haan e Zhensong Wei. A validação clínica deste método de coloração virtual foi dirigida pelo Dr. W. Dean Wallace do Departamento de Patologia e Medicina Laboratorial da Escola de Medicina David Geffen da UCLA.

"Esta tecnologia tem o potencial de mudar fundamentalmente o fluxo de trabalho da histopatologia clínica, tornando o processo de coloração de tecido extremamente rápido e simples, sem a necessidade de técnicos especializados ou de um laboratório médico avançado ", disse o Dr. Rivenson." Esta poderosa estrutura de coloração virtual baseada em IA também pode ser usada em salas de cirurgia para avaliar rapidamente as margens do tumor, fornecendo orientação crítica e altamente necessária para os cirurgiões durante uma operação ", acrescentou o Dr. Ozcan.

Outro grande impacto deste método de coloração virtual é a padronização de todo o processo de coloração, uma vez que uma rede neural treinada também elimina a variabilidade de coloração observada entre técnicos e laboratórios médicos, o que pode causar diagnósticos e classificações erradas das biópsias.