Les méthodes d'intelligence artificielle peuvent remplacer la coloration histochimique

31 octobre 2022

par l'informatique intelligente

Les pathologistes observent des échantillons de tissus en les colorant d'abord. Cependant, les procédures standard de coloration des échantillons de tissus en histopathologie prennent du temps et nécessitent une infrastructure de laboratoire spécialisée, des réactifs chimiques et des techniciens qualifiés. L'incertitude dans la coloration des tissus dans la manipulation des différents laboratoires et techniciens en histologie peut conduire à un diagnostic erroné. De plus, l'échantillon de tissu d'origine n'est pas conservé par ces techniques de coloration histochimique actuellement utilisées puisque chaque étape des procédures a un impact irréversible sur l'échantillon.

Avec les progrès de l'intelligence artificielle (IA), les chercheurs utilisent des techniques d'IA pour améliorer le flux de travail en pathologie. Une étude récente de l'Université de Californie à Los Angeles (UCLA) a utilisé des réseaux de neurones profonds pour colorer virtuellement des images microscopiques de tissus non marqués. La recherche a été publiée dans Intelligent Computing.

Des réseaux de neurones profonds ont déjà été appliqués pour colorer des images de coupes de tissus non étiquetées, évitant ainsi différents processus de coloration histochimique laborieux et chronophages. Il y a cependant quelques goulots d'étranglement. "Dans toutes les méthodes de coloration virtuelle sans étiquette, l'acquisition d'images au point des coupes de tissus non étiquetées est essentielle. En général, la mise au point est une étape critique mais chronophage de la microscopie optique à balayage", ont déclaré les auteurs.

La méthode de mise au point automatique la plus largement utilisée exige de nombreux points de mise au point sur la zone de la lame de tissu avec une précision de mise au point élevée, et le meilleur plan focal est déterminé par un algorithme de recherche itératif, qui prend du temps et peut introduire des photodommages et un photoblanchiment sur les échantillons.

Pour surmonter ces problèmes, les auteurs présentent un nouveau cadre de coloration virtuelle rapide basé sur l'apprentissage en profondeur. Ils disent que "ce cadre utilise un réseau de neurones à mise au point automatique (appelé Deep-R) pour recentrer numériquement les images d'autofluorescence défocalisées. Ensuite, un réseau de coloration virtuel est utilisé pour transformer les images recentrées en images virtuellement colorées".

Comparé au cadre de coloration virtuelle standard, le nouveau cadre démontré par les auteurs utilise moins de points focaux et réduit la précision de mise au point pour chaque point de mise au point pour acquérir des images d'autofluorescence de diapositives entières grossièrement focalisées de tissu.

Ce nouveau cadre de coloration virtuelle peut réduire considérablement le temps de mise au point automatique et l'ensemble du processus d'acquisition d'images. Les auteurs disent que "le cadre basé sur l'apprentissage en profondeur diminue le temps total d'acquisition d'image nécessaire pour la coloration virtuelle d'images de diapositives entières sans étiquette (WSI) d'environ 32 %, ce qui entraîne également une diminution d'environ 89 % du temps de mise au point automatique par lame de tissu."

Malgré la perte de netteté et de contraste de l'image par rapport aux cadres de coloration virtuels standard, une coloration de haute qualité peut toujours être produite, correspondant étroitement aux images de vérité au sol colorées histochimiquement correspondantes. En outre, ce cadre peut également être utilisé comme module complémentaire pour améliorer la robustesse du cadre de coloration virtuelle standard.

Ce cadre de coloration virtuelle rapide aura plus de perspectives de développement à l'avenir. "Ce flux de travail de coloration virtuelle rapide peut également être étendu à de nombreuses autres colorations, telles que la coloration trichrome de Masson, la coloration à l'argent de Jones et les colorations immunohistochimiques (IHC)", ont déclaré les auteurs. « Bien que l'approche de coloration virtuelle présentée ici ait été démontrée sur la base de l'imagerie par autofluorescence de coupes de tissus non marqués, elle peut également être utilisée pour accélérer le flux de travail de coloration virtuelle d'autres modalités de microscopie sans étiquette.

Plus d'information: Yijie Zhang et al, Coloration virtuelle d'images d'autofluorescence défocalisées de tissus non marqués à l'aide de réseaux de neurones profonds, Intelligent Computing (2022). DOI : 10.34133/2022/9818965