L'histopathologie est l'une des principales méthodes utilisées pour le diagnostic de la maladie. Suite à un processus de sélection médicale, un patient peut subir une biopsie, dans lequel un morceau de tissu est retiré pour une inspection plus poussée et une analyse diagnostique. Ce spécimen de tissu est ensuite découpé en tranches minces de l'ordre de quelques millionièmes de mètre d'épaisseur. Ces fines coupes de tissu contiennent à l'échelle microscopique les informations diagnostiques concernant l'état du patient. Cependant, ils ne présentent presque aucun contraste en microscopie optique standard. Pour révéler ces caractéristiques microscopiques incrustées à l'intérieur des tissus et apporter un contraste visible pour l'inspection par un pathologiste, diverses méthodes de coloration des tissus ont été créées en pathologie remontant à plus de 150 ans. Ces procédures de coloration des tissus utilisent différents types de colorants colorés qui marquent spécifiquement les structures à micro-échelle dans les tissus, former des images colorées de spécimens, qui ont été largement utilisées comme méthode de diagnostic de référence en médecine moderne.

Cependant, ce processus standard de coloration d'un échantillon de tissu est laborieux, coûteux et nécessite une infrastructure de laboratoire dédiée, réactifs chimiques, ainsi que du personnel qualifié (histotechnologues). Par ailleurs, les méthodes de coloration actuellement utilisées ne préservent pas les échantillons de tissus, ce qui est une limitation car l'analyse moléculaire avancée de l'échantillon de tissu ne peut pas être facilement effectuée après le processus de coloration initial.

Des chercheurs de l'UCLA ont développé une méthode basée sur l'apprentissage en profondeur pour prendre une image microscopique de composés fluorescents naturellement présents dans des coupes de tissus non colorées et transformer numériquement cette image "auto-fluorescente" en une image équivalente du même tissu, comme si elle avait été prise après le processus de coloration standard des tissus. En d'autres termes, cette méthode basée sur l'apprentissage en profondeur colore virtuellement les échantillons de tissus non marqués, remplacer les étapes manuelles et laborieuses de traitement et de coloration qui sont normalement effectuées par les histotechnologues ou le personnel médical, économie de travail, coût et temps en remplaçant la plupart des tâches effectuées par un histotechnologiste par un réseau de neurones entraîné.

Le succès de cette nouvelle méthode de coloration virtuelle a été démontré pour différentes colorations et types de tissus humains, y compris des sections de glande salivaire, thyroïde, un rein, foie et poumon. L'efficacité du processus de coloration virtuelle a été évaluée de manière indépendante par un panel de pathologistes certifiés, qui étaient aveugles à l'origine des images examinées de telle sorte que les pathologistes ne savaient pas quelles images étaient réellement colorées par un technicien expert et quelles images étaient virtuellement colorées par un réseau de neurones. La conclusion de cette étude en aveugle n'a révélé aucune différence cliniquement significative dans la qualité de la coloration et les diagnostics médicaux résultant des deux séries d'images. Ce processus de coloration virtuelle alimenté par l'apprentissage en profondeur réduira considérablement les coûts et le temps de préparation des échantillons, tout en économisant du travail d'expert. Puisqu'il ne nécessite qu'un microscope à fluorescence standard et un simple ordinateur (comme un ordinateur portable), il est particulièrement transformateur pour les besoins en pathologie dans les pays à ressources limitées et les pays en développement.

Cette recherche a été publiée dans Nature Génie Biomédical , et était dirigé par le Dr Aydogan Ozcan, le Chancellor's Professor de génie électrique et informatique à l'UCLA, et directeur associé du California NanoSystems Institute (CNSI), Dr Yair Rivenson, professeur agrégé de génie électrique et informatique à l'UCLA, avec les étudiants diplômés de l'UCLA, Hongda Wang, Kevin de Haan et Zhensong Wei. La validation clinique de cette méthode de coloration virtuelle a été dirigée par le Dr W. Dean Wallace du Département de pathologie et de médecine de laboratoire de la David Geffen School of Medicine de l'UCLA.

"Cette technologie a le potentiel de changer fondamentalement le flux de travail de l'histopathologie clinique, en rendant le processus de coloration des tissus extrêmement rapide et simple, sans avoir besoin de techniciens experts ou d'un laboratoire médical avancé." a déclaré le Dr Rivenson. "Ce puissant cadre de coloration virtuelle basé sur l'IA peut également être utilisé dans les salles d'opération pour évaluer rapidement les marges tumorales, fournir des conseils indispensables et essentiels aux chirurgiens pendant une opération", ajouta le Dr Ozcan.

Un autre impact majeur de cette méthode de coloration virtuelle est la standardisation de l'ensemble du processus de coloration puisqu'un réseau de neurones entraîné élimine également la variabilité de coloration observée parmi les techniciens et les laboratoires médicaux, ce qui peut entraîner des erreurs de diagnostic et une mauvaise classification des biopsies.