La histopatología es uno de los principales métodos utilizados para el diagnóstico de enfermedades. Después de un proceso de evaluación médica, un paciente puede someterse a una biopsia, en el que se extrae un trozo de tejido para su posterior inspección y análisis de diagnóstico. Esta muestra de tejido se corta luego en secciones delgadas que tienen un grosor del orden de unas millonésimas de metro. Estas delgadas secciones de tejido contienen a escala microscópica la información de diagnóstico sobre el estado del paciente. Sin embargo, casi no presentan contraste bajo microscopía óptica estándar. Para revelar estas características microscópicas incrustadas dentro del tejido y traer un contraste visible para que un patólogo las inspeccione, Se han creado varios métodos de tinción de tejidos en patología que se remontan a hace más de 150 años. Estos procedimientos de tinción de tejidos utilizan diferentes tipos de tintes de colores que etiquetan específicamente las estructuras a microescala en el tejido, formando imágenes coloridas de especímenes, que se han utilizado ampliamente como método de diagnóstico estándar de oro en la medicina moderna.

Sin embargo, este proceso estándar de tinción de una muestra de tejido es laborioso, costoso y requiere una infraestructura de laboratorio dedicada, reactivos químicos, así como personal capacitado (histotecnólogos). Es más, Los métodos de tinción utilizados actualmente no conservan muestras de tejido. lo cual es una limitación ya que el análisis molecular avanzado de la muestra de tejido no se puede realizar fácilmente después del proceso de tinción inicial.

Investigadores de UCLA han desarrollado un método basado en el aprendizaje profundo para tomar una imagen microscópica de compuestos fluorescentes presentes de forma natural en secciones de tejido no teñidas y transformar digitalmente esta imagen de "autofluorescencia" en una imagen equivalente del mismo tejido. como si se tomara después del proceso estándar de tinción de tejidos. Dicho de otra manera, este método basado en el aprendizaje profundo tiñe virtualmente muestras de tejido sin etiquetar, Reemplazar los laboriosos y manuales pasos de procesamiento y tinción que normalmente realizan los histotecnólogos o el personal médico. ahorrando mano de obra, costo y tiempo sustituyendo la mayoría de las tareas realizadas por un histotecnólogo con una red neuronal capacitada.

El éxito de este nuevo método de tinción virtual se demostró para diferentes tinciones y tipos de tejidos humanos, incluyendo secciones de glándulas salivales, tiroides, riñón, hígado y pulmón. La eficacia del proceso de tinción virtual fue evaluada de forma independiente por un panel de patólogos certificados por la junta, quienes estaban cegados al origen de las imágenes examinadas de tal manera que los patólogos no sabían qué imágenes fueron realmente teñidas por un técnico experto y qué imágenes fueron virtualmente teñidas por una red neuronal. La conclusión de este estudio ciego no reveló diferencias clínicamente significativas en la calidad de la tinción y los diagnósticos médicos resultantes de los dos conjuntos de imágenes. Este proceso de tinción virtual impulsado por el aprendizaje profundo reducirá significativamente el costo y el tiempo de preparación de la muestra, al mismo tiempo que ahorra mano de obra experta. Dado que solo requiere un microscopio de fluorescencia estándar y una computadora simple (como una computadora portátil), es especialmente transformador para las necesidades de patología en entornos con recursos limitados y países en desarrollo.

Esta investigación fue publicada en Ingeniería Biomédica de la Naturaleza , y fue dirigido por el Dr. Aydogan Ozcan, el profesor del canciller de ingeniería eléctrica e informática en UCLA, y director asociado del California NanoSystems Institute (CNSI), Dr. Yair Rivenson, profesor adjunto de ingeniería eléctrica e informática en UCLA, junto con estudiantes graduados de UCLA, Hongda Wang, Kevin de Haan y Zhensong Wei. La validación clínica de este método de tinción virtual fue dirigida por el Dr. W. Dean Wallace del Departamento de Patología y Medicina de Laboratorio de la Facultad de Medicina David Geffen de UCLA.

"Esta tecnología tiene el potencial de cambiar fundamentalmente el flujo de trabajo de histopatología clínica, al hacer que el proceso de tinción de tejidos sea extremadamente rápido y simple, sin la necesidad de técnicos expertos o un laboratorio médico avanzado ", dijo el Dr. Rivenson." Este potente marco de tinción virtual basado en IA también se puede utilizar en salas de cirugía para evaluar rápidamente los márgenes tumorales, proporcionar una orientación crítica y muy necesaria para los cirujanos durante una operación ", añadió el Dr. Ozcan.

Otro impacto importante de este método de tinción virtual es la estandarización de todo el proceso de tinción, ya que una red neuronal entrenada también elimina la variabilidad de tinción observada entre técnicos y laboratorios médicos. lo que puede causar diagnósticos erróneos y clasificación errónea de biopsias.