Methoden der künstlichen Intelligenz können die histochemische Färbung ersetzen

31. Oktober 2022

von Intelligent Computing

Pathologen untersuchen Gewebeproben, indem sie sie zunächst färben. Allerdings sind die Standardverfahren zur Färbung von Gewebeproben in der Histopathologie zeitaufwändig und erfordern eine spezielle Laborinfrastruktur, chemische Reagenzien und qualifizierte Techniker. Unsicherheiten bei der Gewebefärbung bei der Handhabung verschiedener Labore und Histologietechniker können zu Fehldiagnosen führen. Darüber hinaus wird die ursprüngliche Gewebeprobe durch diese derzeit verwendeten histochemischen Färbetechniken nicht konserviert, da jeder Schritt des Verfahrens irreversible Auswirkungen auf die Probe hat.

Mit der Weiterentwicklung der künstlichen Intelligenz (KI) nutzen Forscher KI-Techniken, um den Arbeitsablauf in der Pathologie zu verbessern. Eine aktuelle Studie der University of California Los Angeles (UCLA) nutzte tiefe neuronale Netze, um mikroskopische Bilder von unbeschriftetem Gewebe virtuell anzufärben. Die Forschung wurde in Intelligent Computing veröffentlicht.

Tiefe neuronale Netze wurden bereits zum Färben unbeschrifteter Gewebeschnittbilder eingesetzt, wodurch verschiedene mühsame und zeitaufwändige histochemische Färbeprozesse vermieden wurden. Allerdings gibt es einige Engpässe. „Bei allen markierungsfreien virtuellen Färbemethoden ist die Aufnahme scharfer Bilder der nicht markierten Gewebeabschnitte von entscheidender Bedeutung. Im Allgemeinen ist die Fokussierung ein kritischer, aber zeitaufwändiger Schritt in der optischen Rastermikroskopie“, sagten die Autoren.

Die am weitesten verbreitete Autofokussierungsmethode erfordert viele Fokuspunkte über den Gewebeträgerbereich mit hoher Fokussierungspräzision, und die beste Fokusebene wird durch einen iterativen Suchalgorithmus bestimmt, der zeitaufwändig ist und zu Lichtschäden und Lichtausbleichung an den Proben führen kann.

Um diese Probleme zu überwinden, stellen die Autoren ein neues, auf Deep Learning basierendes, schnelles virtuelles Färbe-Framework vor. Sie sagen: „Dieses Framework verwendet ein autofokussierendes neuronales Netzwerk (Deep-R genannt), um die defokussierten Autofluoreszenzbilder digital neu zu fokussieren. Anschließend wird ein virtuelles Färbenetzwerk verwendet, um die neu fokussierten Bilder in virtuell gefärbte Bilder umzuwandeln.“

Im Vergleich zum standardmäßigen virtuellen Färberahmen verwendet der von den Autoren vorgestellte neue Rahmen weniger Brennpunkte und verringert die Fokussierungspräzision für jeden Fokuspunkt, um grob fokussierte Autofluoreszenzbilder des gesamten Gewebes zu erfassen.

Dieses neue virtuelle Färbesystem kann die Zeit für die Autofokussierung und den gesamten Bildaufnahmeprozess erheblich verkürzen. Die Autoren sagen, dass „das Deep-Learning-basierte Framework die Gesamtbildaufnahmezeit, die für die virtuelle Färbung von markierungsfreien Bildern auf ganzen Objektträgern (WSI) erforderlich ist, um etwa 32 % verringert, was auch zu einer Verringerung der Autofokuszeit um etwa 89 % pro Jahr führt.“ Geweberutsche.

Trotz des Verlusts an Bildschärfe und Kontrast im Vergleich zu standardmäßigen virtuellen Färbegerüsten kann immer noch eine qualitativ hochwertige Färbung erzeugt werden, die den entsprechenden histochemisch gefärbten Grundwahrheitsbildern weitgehend entspricht. Darüber hinaus kann dieses Framework auch als Zusatzmodul verwendet werden, um die Robustheit des standardmäßigen virtuellen Färbeframeworks zu verbessern.

Dieses schnelle virtuelle Färbe-Framework wird in Zukunft weitere Entwicklungsperspektiven haben. „Dieser schnelle virtuelle Färbe-Workflow kann auch auf viele andere Färbungen ausgeweitet werden, wie zum Beispiel die Masson-Trichrom-Färbung, die Jones-Silber-Färbung und immunhistochemische (IHC) Färbungen“, sagten die Autoren. „Obwohl der hier vorgestellte virtuelle Färbeansatz auf der Grundlage der Autofluoreszenzbildgebung unmarkierter Gewebeschnitte demonstriert wurde, kann er auch zur Beschleunigung des virtuellen Färbeworkflows anderer markierungsfreier Mikroskopiemodalitäten eingesetzt werden.“

Mehr Informationen: Yijie Zhang et al., Virtuelle Färbung defokussierter Autofluoreszenzbilder von unmarkiertem Gewebe mithilfe tiefer neuronaler Netze, Intelligent Computing (2022). DOI: 10.34133/2022/9818965