Los métodos de inteligencia artificial pueden reemplazar la tinción histoquímica

31 de octubre de 2022

por computación inteligente

Los patólogos observan las muestras de tejido tiñéndolas primero. Sin embargo, los procedimientos estándar para teñir muestras de tejido en histopatología consumen mucho tiempo y requieren una infraestructura de laboratorio especializada, reactivos químicos y técnicos capacitados. La incertidumbre en la tinción de tejidos en el manejo de diferentes laboratorios y técnicos de histología puede conducir a un diagnóstico erróneo. Además, la muestra de tejido original no se conserva con estas técnicas de tinción histoquímica actualmente en uso, ya que cada paso de los procedimientos tiene un impacto irreversible en la muestra.

Con el avance de la inteligencia artificial (IA), los investigadores están utilizando técnicas de IA para mejorar el flujo de trabajo de patología. Un estudio reciente de la Universidad de California en Los Ángeles (UCLA) utilizó redes neuronales profundas para teñir virtualmente imágenes microscópicas de tejido sin marcar. La investigación fue publicada en Computación Inteligente.

Las redes neuronales profundas ya se han aplicado para teñir imágenes de secciones de tejido sin etiquetar, evitando diferentes procesos de tinción histoquímica laboriosos y lentos. Hay, sin embargo, algunos cuellos de botella. "En todos los métodos de tinción virtual sin etiquetas, la adquisición de imágenes enfocadas de las secciones de tejido sin marcar es esencial. En general, el enfoque es un paso crítico pero lento en la microscopía óptica de barrido", dijeron los autores.

El método de enfoque automático más utilizado exige muchos puntos de enfoque en el área del portaobjetos de tejido con una alta precisión de enfoque, y el mejor plano focal se determina mediante un algoritmo de búsqueda iterativo, que requiere mucho tiempo y puede causar daños por luz y decoloración en las muestras.

Para superar estos problemas, los autores presentan un nuevo marco de tinción virtual rápido basado en aprendizaje profundo. Dicen que "este marco utiliza una red neuronal de enfoque automático (denominada Deep-R) para reenfocar digitalmente las imágenes de autofluorescencia desenfocadas. Luego, se usa una red de tinción virtual para transformar las imágenes reenfocadas en imágenes virtualmente teñidas".

En comparación con el marco de tinción virtual estándar, el nuevo marco demostrado por los autores utiliza menos puntos focales y reduce la precisión de enfoque para cada punto de enfoque para adquirir imágenes de autofluorescencia de diapositivas completas de enfoque grueso.

Este nuevo marco de tinción virtual puede reducir significativamente el tiempo de enfoque automático y todo el proceso de adquisición de imágenes. Los autores dicen que "el marco basado en el aprendizaje profundo reduce el tiempo total de adquisición de imágenes necesario para la tinción virtual de imágenes de diapositivas completas sin etiquetas (WSI) en un ~32 %, lo que también da como resultado una disminución de ~89 % en el tiempo de enfoque automático por portaobjetos de tejido".

A pesar de la pérdida de nitidez y contraste de la imagen en comparación con los marcos de tinción virtual estándar, aún se pueden producir tinciones de alta calidad, que se asemejan mucho a las imágenes reales del terreno teñidas histoquímicamente correspondientes. Además, este marco también se puede utilizar como un módulo adicional para mejorar la solidez del marco de tinción virtual estándar.

Este marco de tinción virtual rápida tendrá más perspectivas de desarrollo en el futuro. "Este rápido flujo de trabajo de tinción virtual también se puede expandir a muchas otras tinciones, como la tinción tricrómica de Masson, la tinción de plata de Jones y las tinciones inmunohistoquímicas (IHC)", dijeron los autores. "Aunque el enfoque de tinción virtual presentado aquí se demostró en base a la imagen de autofluorescencia de secciones de tejido sin etiquetar, también se puede usar para acelerar el flujo de trabajo de tinción virtual de otras modalidades de microscopía sin etiquetas".

Más información: Yijie Zhang et al, Tinción virtual de imágenes de autofluorescencia desenfocadas de tejido sin marcar utilizando redes neuronales profundas, Computación inteligente (2022). DOI: 10.34133/2022/9818965