Métodos de inteligencia artificial podrían reemplazar la tinción histoquímica

En el hospital, hay un grupo de médicos que utilizan muestras de tejido como "material de evidencia", analizan la evidencia usando cuchillos, rebanadoras y microscopios para extraer pistas de las muestras de tejido y brindan a los pacientes "veredictos": informes de diagnóstico. Se les llama los "jueces" del hospital: los patólogos. Los patólogos observan las muestras 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 realizado por investigadores de la Universidad de California en Los Ángeles (UCLA, Los Ángeles, CA, EUA) utilizó redes neuronales profundas para teñir virtualmente imágenes microscópicas de tejido sin etiquetar. 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. El método de enfoque automático más utilizado requiere 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 producir daños por luz y decoloración en las muestras.

Para superar estos problemas, los investigadores presentaron un nuevo marco de tinción virtual rápida basado en el aprendizaje profundo. En comparación con el marco de tinción virtual estándar, el nuevo marco demostrado por los investigadores 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 del tejido. El nuevo marco de tinción virtual puede reducir significativamente el tiempo de enfoque automático y todo el proceso de adquisición de imágenes. 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 correspondientes reales del terreno teñidas histoquímicamente. 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 marco utiliza una red neuronal de enfoque automático (denominada Deep-R) para reenfocar digitalmente las imágenes de autofluorescencia desenfocadas. Luego se utiliza una red de tinción virtual para transformar las imágenes reenfocadas en imágenes virtualmente teñidas”, escribieron los autores. “El marco basado en el aprendizaje profundo reduce el tiempo total de adquisición de imágenes necesario para la tinción virtual de imágenes de portaobjetos completos sin etiquetas (WSI) en ~32 %, lo que también da como resultado una disminución de ~89 % en el tiempo de enfoque automático por portaobjetos de tejido”.

“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)”, concluyeron los autores. “Aunque el método 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”.

Enlaces relacionados:
Universidad de California en Los Ángeles