I metodi di intelligenza artificiale possono sostituire la colorazione istochimica

31 ottobre 2022

dall'informatica intelligente

I patologi osservano i campioni di tessuto colorandoli prima. Tuttavia, le procedure standard per la colorazione dei campioni di tessuto in istopatologia richiedono molto tempo e infrastrutture di laboratorio specializzate, reagenti chimici e tecnici qualificati. L'incertezza nella colorazione dei tessuti nella gestione di diversi laboratori e tecnici istologici può portare a diagnosi errate. Inoltre, il campione di tessuto originale non viene preservato da queste tecniche di colorazione istochimica attualmente in uso poiché ogni fase delle procedure ha un impatto irreversibile sul campione.

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.

Le reti neurali profonde sono già state applicate per colorare 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 senza etichetta è essenziale. In generale, la messa a fuoco è un passaggio critico ma dispendioso in termini di tempo nella scansione al microscopio ottico", hanno affermato gli autori.

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 quadro di colorazione virtuale veloce basato sull’apprendimento profondo. Dicono che "questo quadro utilizza una rete neurale di messa a fuoco automatica (denominata Deep-R) per rimettere a fuoco digitalmente le immagini autofluorescenti sfocate. 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 meno punti focali e riduce la precisione di messa a fuoco per ciascun punto focale per acquisire immagini di tessuto autofluorescenti dell'intero vetrino con messa a fuoco grossolana.

Questa nuova struttura di colorazione virtuale può ridurre significativamente il tempo necessario per la messa a fuoco automatica e l'intero processo di acquisizione delle immagini. Gli autori affermano che "il framework basato sull'apprendimento profondo riduce il tempo totale di acquisizione dell'immagine necessario per la colorazione virtuale di immagini di vetrini interi senza etichetta (WSI) di circa il 32%, con conseguente diminuzione di circa l'89% del tempo di messa a fuoco automatica per vetrino di tessuto."

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 si avvicina molto alle corrispondenti immagini di base colorate istochimicamente. Inoltre, questo framework può essere utilizzato anche come modulo aggiuntivo per migliorare la robustezza del framework di colorazione virtuale standard.

Questa struttura di colorazione virtuale rapida avrà maggiori prospettive di sviluppo in futuro. "Questo flusso di lavoro veloce di colorazione virtuale può anche essere esteso a molte altre colorazioni, come la colorazione tricromica di Masson, la colorazione all'argento di Jones e le macchie immunoistochimiche (IHC)", hanno affermato gli autori. "Sebbene l'approccio alla colorazione virtuale qui presentato sia stato dimostrato sulla base dell'imaging in autofluorescenza di sezioni di tessuto non etichettate, può essere utilizzato anche per accelerare il flusso di lavoro della colorazione virtuale di altre modalità di microscopia senza etichetta."