Le diagnostic tissulaire des maladies repose sur l'inspection visuelle d'échantillons de tissus biopsiés par des pathologistes à l'aide d'un microscope optique. Avant de placer l'échantillon de tissu sous un microscope pour inspection, des colorants chimiques spéciaux sont appliqués sur l'échantillon pour la coloration, ce qui améliore le contraste de l'image et apporte de la couleur à divers constituants du tissu. Ce processus de coloration chimique est laborieux et prend du temps, effectué par des experts humains. Dans de nombreux cas cliniques, en plus de la coloration à l'hématoxyline et à l'éosine (H&E) couramment utilisée, les pathologistes ont besoin de colorations et de produits chimiques spéciaux supplémentaires pour améliorer la précision de leur diagnostic. Cependant, l'utilisation de colorants tissulaires et de produits chimiques supplémentaires est lente et entraîne des coûts et des retards supplémentaires.

Dans un travail récent publié dans ACS Photonics , les chercheurs de l'UCLA ont développé une approche informatique alimentée par l'intelligence artificielle pour transférer (recolorer) virtuellement des images de tissus déjà colorés avec H&E dans différents types de taches sans utiliser de produits chimiques. En plus d'économiser considérablement le temps des techniciens experts, les coûts liés à la coloration chimique et les déchets toxiques générés par les laboratoires d'histologie, cette méthode de recoloration virtuelle des tissus est également plus reproductible que la coloration effectuée par des techniciens humains. De plus, il enregistre le tissu biopsié pour des tests de diagnostic plus avancés à effectuer, éliminant ainsi le besoin d'une seconde biopsie inutile.

Les méthodes précédentes pour effectuer un transfert de tache virtuelle rencontraient un problème majeur :une lame de tissu peut être colorée une fois avec un type de tache, et laver la tache existante et mettre une nouvelle tache chimique est très difficile et rarement pratiqué en milieu clinique. Cela rend très difficile l'acquisition d'images appariées de différents types de taches, ce qui est un élément essentiel des méthodes de traduction d'images basées sur l'apprentissage en profondeur.

Pour atténuer ce problème, l'équipe de l'UCLA a démontré un nouveau cadre de transfert de taches virtuelles utilisant une cascade de deux réseaux de neurones profonds différents travaillant ensemble. Au cours du processus de formation, le premier réseau de neurones a appris à colorer virtuellement des images d'autofluorescence de tissus non colorés dans la tache H&E, et le deuxième réseau de neurones qui est en cascade au premier a appris à effectuer le transfert de tache de H&E dans une autre tache spéciale (PAS). Cette stratégie de formation en cascade a permis aux réseaux de neurones d'exploiter directement les données d'images colorées par histochimie sur les colorations H&E et PAS, ce qui a permis d'effectuer des transformations de coloration à coloration très précises et une recoloration virtuelle des lames de tissus existantes.

Cette méthode de recoloration virtuelle des tissus peut être appliquée à diverses autres colorations spéciales utilisées en histologie et ouvrira de nouvelles opportunités en pathologie numérique et en diagnostic tissulaire.

Cette recherche a été dirigée par le Dr Aydogan Ozcan, professeur chancelier et titulaire de la chaire Volgenau pour l'innovation en ingénierie à l'UCLA Electrical &Computer Engineering and Bioengineering. Les autres auteurs de ce travail sont Xilin Yang, Bijie Bai, Yijie Zhang, Yuzhu Li, Kevin de Haan et Tairan Liu. Le Dr Ozcan est également membre du corps professoral du département de chirurgie de l'UCLA David Geffen School of Medicine et est directeur associé du California NanoSystems Institute (CNSI). + Explorer plus loin

L'IA recolore les images de biopsie tissulaire avec de nouvelles colorations, améliorant ainsi la précision des diagnostics