组织病理学是用于诊断疾病的主要方法之一。在医学筛选过程之后，患者可以进行活组织检查，其中移除一块组织用于进一步检查和诊断分析。然后将该组织样本切成薄片，其厚度为百万分之几米。这些薄的组织切片在微观尺度上包含关于患者状况的诊断信息。然而，它们在标准光学显微镜下几乎没有显示出对比度。为了揭示嵌入组织内部的这些微观特征并为病理学家的检查带来明显的对比，已经在150多年前的病理学中创建了各种组织染色方法。
然而，这种染色组织标本的标准过程是费力的，昂贵的并且需要专门的实验室基础设施，化学试剂以及训练有素的人员(组织技术人员)。此外，目前使用的染色方法不保留组织样品，这是一个限制，因为在初始染色过程之后不能容易地进行组织样品的高级分子分析。
加州大学洛杉矶分校的研究人员开发了一种基于深度学习的方法，在未染色的组织切片中拍摄天然存在的荧光化合物的显微图像，并将这种“自动荧光”图像数字化转换为相同组织的等效图像，就好像它是在标准组织染色过程。换句话说，这种基于深度学习的方法实际上污染了未标记的组织样本，取代了通常由组织技术人员或医务人员执行的手动和费力的处理和染色步骤，通过替换大多数组织技术专家执行的任务来节省劳动力，成本和时间。训练有素的神经网络。
这种新的虚拟染色方法的成功证明了不同的染色和人体组织类型，包括唾液腺，甲状腺，肾，肝和肺的切片。虚拟染色过程的功效由一组董事会认证的病理学家独立评估，他们对检查图像的起源不知情，因此病理学家不知道哪些图像实际上是由专业技术人员染色的，哪些图像是虚拟的被神经网络染色。该盲法研究的结论显示，染色质量和由两组图像产生的医学诊断没有临床显着差异。这种虚拟染色过程由深度学习提供支持将大大降低成本和样品制备时间，同时还可节省专业人工。由于它只需要标准的荧光显微镜和简单的计算机(如笔记本电脑)，因此在资源有限的环境和发展中国家的病理学需求方面尤其具有变革性。
该研究发表在Nature Biomedical Engineering上，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士和加州纳米系统研究所(CNSI)副主任Yair Rivenson博士领导，他是兼职教授。加州大学洛杉矶分校的电气和计算机工程，以及加州大学洛杉矶分校的研究生，王宏达，凯文德哈恩和郑振松。该虚拟染色方法的临床验证由加州大学洛杉矶分校David Geffen医学院病理学和检验医学系的W. Dean Wallace博士指导。
“这项技术有可能从根本上改变临床组织病理学工作流程，使组织染色过程非常快速和简单，无需专业技术人员或先进的医学实验室。” 里文森博士说。“这种强大的基于AI的虚拟染色框架也可用于手术室，以快速评估肿瘤边缘，为手术期间的外科医生提供高度需要和关键的指导”，Ozcan博士补充说。
这种虚拟染色方法的另一个主要影响是整个染色过程的标准化，因为经过训练的神经网络也消除了技术人员和医学实验室中观察到的染色变异性，这可能导致活检的误诊和错误分类。
免责声明：本文由用户上传，如有侵权请联系删除！