El diagnóstico de enfermedades basado en tejidos se basa en la inspección visual de especímenes de tejido de biopsia por parte de patólogos que utilizan un microscopio óptico. Antes de colocar la muestra de tejido bajo un microscopio para su inspección, se aplican tintes químicos especiales a la muestra para teñirla, lo que mejora el contraste de la imagen y aporta color a varios componentes del tejido. Este proceso de tinción química es laborioso y lento, realizado por expertos humanos. En muchos casos clínicos, además de la tinción de hematoxilina y eosina (H&E) de uso común, los patólogos necesitan tinciones y productos químicos especiales adicionales para mejorar la precisión de su diagnóstico. Sin embargo, el uso de tinciones de tejido y productos químicos adicionales es lento y genera costos adicionales y demoras.

En un trabajo reciente publicado en ACS Photonics , los investigadores de UCLA desarrollaron un enfoque computacional impulsado por inteligencia artificial para transferir virtualmente (volver a teñir) imágenes de tejido ya teñido con H&E en diferentes tipos de tinción sin usar ningún químico. Además de ahorrar significativamente el tiempo de los técnicos expertos, los costos relacionados con la tinción química y los desechos tóxicos generados por los laboratorios de histología, este método virtual de tinción de tejidos también es más repetible que la tinción realizada por técnicos humanos. Además, guarda el tejido de la biopsia para realizar pruebas de diagnóstico más avanzadas, lo que elimina la necesidad de una segunda biopsia innecesaria.

Los métodos anteriores para realizar la transferencia de tinción virtual enfrentaban un problema importante:un portaobjetos de tejido se puede teñir una vez con un tipo de tinción, y lavar la tinción existente y colocar una nueva tinción química es muy difícil y rara vez se practica en entornos clínicos. Esto hace que la adquisición de imágenes emparejadas de diferentes tipos de manchas sea muy desafiante, lo cual es una parte esencial de los métodos de traducción de imágenes basados ​​en el aprendizaje profundo.

Para paliar este problema, el equipo de la UCLA demostró un nuevo marco de transferencia de tinción virtual utilizando una cascada de dos redes neuronales profundas diferentes que trabajan juntas. Durante el proceso de entrenamiento, la primera red neuronal aprendió a teñir virtualmente imágenes de autofluorescencia de tejido no teñido en tinción H&E, y la segunda red neuronal que se conecta en cascada a la primera aprendió a realizar la transferencia de tinción de H&E a otra tinción especial (PAS). Esta estrategia de entrenamiento en cascada permitió a las redes neuronales explotar directamente los datos de imágenes teñidas histoquímicamente en las tinciones H&E y PAS, lo que ayudó a realizar transformaciones de tinción a tinción de alta precisión y una nueva tinción virtual de los portaobjetos de tejido existentes.

Este método de tinción de tejido virtual se puede aplicar a otras tinciones especiales utilizadas en histología y abrirá nuevas oportunidades en patología digital y diagnóstico basado en tejidos.

Esta investigación fue dirigida por el Dr. Aydogan Ozcan, profesor de Canciller y Presidente Volgenau de Innovación en Ingeniería en Ingeniería Eléctrica e Informática y Bioingeniería de la UCLA. Los otros autores de este trabajo incluyen a Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan y Tairan Liu. El Dr. Ozcan también tiene un nombramiento como docente en el departamento de cirugía de la Facultad de Medicina David Geffen de la UCLA y es director asociado del Instituto de Nanosistemas de California (CNSI). + Explora más

La IA vuelve a teñir las imágenes de la biopsia de tejido con nuevas tinciones, lo que mejora la precisión de los diagnósticos