Histopatologi är en av de viktigaste metoderna som används för diagnos av sjukdom. Efter en medicinsk screeningprocess, en patient kan genomgå en biopsi, i vilken en bit vävnad avlägsnas för ytterligare inspektion och diagnostisk analys. Detta vävnadsprov skivas sedan i tunna sektioner som är i storleksordningen några miljondelar av en meter i tjocklek. Dessa tunna delar av vävnaden innehåller i mikroskopisk skala den diagnostiska informationen om patientens tillstånd. Dock, de uppvisar nästan ingen kontrast vid standard ljusmikroskopi. För att avslöja dessa mikroskopiska funktioner inbäddade i vävnad och få synlig kontrast för inspektion av en patolog, olika vävnadsfärgningsmetoder har skapats inom patologi som går tillbaka till mer än 150 år sedan. Dessa vävnadsfärgningsprocedurer använder olika typer av färgade färgämnen som specifikt märker mikroskalstrukturer i vävnad, bilda färgglada bilder av exemplar, som har använts i stor utsträckning som en diagnostisk metod för guldstandard inom modern medicin.

Dock, denna standardprocess för färgning av ett vävnadsprov är mödosam, dyrt och kräver en särskild laboratorieinfrastruktur, kemiska reagenser, samt utbildad personal (histoteknologer). Vidare, för närvarande använda färgningsmetoder bevarar inte vävnadsprover, vilket är en begränsning eftersom avancerad molekylär analys av vävnadsprovet inte enkelt kan utföras efter den inledande färgningsprocessen.

Forskare vid UCLA har utvecklat en djup inlärningsbaserad metod för att ta en mikroskopisk bild av naturligt närvarande fluorescerande föreningar i ofärgade vävnadssektioner och digitalt omvandla denna "auto-fluorescens" -bild till en ekvivalent bild av samma vävnad, som om det togs efter standardvävnadsfärgningsprocessen. Sagt annorlunda, den här inlärningsbaserade metoden fläckar praktiskt taget omärkta vävnadsprover, byta ut de manuella och mödosamma bearbetnings- och färgningsstegen som normalt utförs av histoteknologer eller medicinsk personal, spara arbetskraft, kostnad och tid genom att ersätta de flesta uppgifter som utförts av en histoteknolog med ett utbildat neuralt nätverk.

Framgången för denna nya virtuella färgningsmetod demonstrerades för olika fläckar och mänskliga vävnadstyper, inklusive delar av spottkörteln, sköldkörteln, njure, lever och lunga. Effekten av den virtuella färgningsprocessen utvärderades oberoende av en panel av styrelsecertifierade patologer, som förblindades för ursprunget till de undersökta bilderna så att patologerna inte visste vilka bilder som faktiskt färgades av en experttekniker och vilka bilder som praktiskt taget färgades av ett neuralt nätverk. Slutsatsen av denna förblindade studie avslöjade ingen kliniskt signifikant skillnad i färgningskvaliteten och de medicinska diagnoser som härrör från de två uppsättningarna bilder. Denna virtuella färgningsprocess som drivs av djupinlärning kommer att avsevärt minska kostnaderna och provförberedelsetiden, samtidigt som man sparar expertarbete. Eftersom det bara kräver ett vanligt fluorescensmikroskop och en enkel dator (t.ex. en bärbar dator), Det är särskilt transformativt för patologiska behov i resursbegränsade miljöer och utvecklingsländer.

Denna forskning publicerades i Natur Biomedicinsk teknik , och leddes av Dr Aydogan Ozcan, kanslerens professor i el- och datateknik vid UCLA, och en associerad direktör för California NanoSystems Institute (CNSI), Dr Yair Rivenson, adjungerad professor i el- och datateknik vid UCLA, tillsammans med UCLA -doktorander, Hongda Wang, Kevin de Haan och Zhensong Wei. Klinisk validering av denna virtuella färgningsmetod styrdes av Dr. W. Dean Wallace från Institutionen för patologi och laboratoriemedicin vid David Geffen School of Medicine vid UCLA.

"Denna teknik har potential att i grunden förändra det kliniska histopatologiska arbetsflödet, genom att göra vävnadsfärgningsprocessen extremt snabb och enkel, utan behov av experttekniker eller ett avancerat medicinskt laboratorium. tillhandahålla välbehövlig och kritisk vägledning för kirurger under en operation ", tillade Dr. Ozcan.

En annan stor inverkan av denna virtuella färgningsmetod är standardiseringen av hela färgningsprocessen eftersom ett utbildat neuralt nätverk också eliminerar färgningsvariabiliteten som observerats bland tekniker och medicinska laboratorier, vilket kan orsaka feldiagnoser och felklassificering av biopsier.