Int Comp| AI对对焦模糊的组织样本染色， 有望取代化学染色
原创 图灵基因 图灵基因 2022-11-08 10:11 发表于江苏
收录于合集#前沿生物大数据分析
在医院里，有一群医生将组织样本作为“证物”，用刀、切片机、显微镜等对证据进行分析，从组织样本中提取线索，为患者提供“判决书”——诊断报告。他们被称为医院的“法官”——病理学家。病理学家首先通过对样本进行染色来观察样本。然而，组织病理学中组织样本染色的标准程序是耗时的，需要专门的实验室基础设施、化学试剂和熟练的技术人员。不同实验室和组织学技术人员处理组织染色的不确定性可能导致误诊。此外，由于程序的每一步都会对样本产生不可逆的影响，因此目前使用的这些组织化学染色技术无法保存原始组织样本。
随着人工智能（AI）技术的发展，研究人员正在利用AI技术来改进病理工作流程。加州大学洛杉矶分校的研究人员最近进行的一项研究，使用深度神经网络对未标记组织的显微图像进行了虚拟染色。深度神经网络已经应用于对未标记的组织切片图像进行染色，避免了不同的费时费力的组织化学染色过程。然而，也存在一些瓶颈。目前应用最广泛的自动聚焦方法要求在组织切片区域内具有高聚焦精度的多个聚焦点，最佳聚焦平面由迭代搜索算法确定，耗时长，且可能对样本造成光损伤和光漂白。
为了克服这些问题，研究人员提出了一种新的基于深度学习的快速虚拟染色框架。与标准的虚拟染色框架相比，研究人员展示的新框架使用更少的焦点，并降低了每个焦点的聚焦精度，以获取组织的粗聚焦全玻片自荧光图像。新的虚拟染色框架可以显著减少自动聚焦和整个图像采集过程的时间。尽管与标准虚拟染色框架相比，图像的清晰度和对比度有所下降，但仍可以产生高质量的染色，与相应的组织化学染色的地面真实图像非常接近。此外，该框架还可以作为一个附加模块使用，以提高标准虚拟染色框架的稳定性。这种快速虚拟染色框架在未来将有更广阔的发展前景。
“该框架使用自动聚焦神经网络（称为Deep-R）对散焦的自动荧光图像进行数字重新聚焦。然后使用虚拟染色网络将重新聚焦的图像转换为虚拟染色图像。”作者写道，“基于深度学习的框架将无标签全切片图像（WSI）虚拟染色所需的总图像采集时间减少了约32%，也导致每张组织切片的自动聚焦时间减少了约89%。”
作者总结道：“这种快速的虚拟染色工作流程还可以扩展到许多其他染色，如马松三色染色、琼斯银染色和免疫组化（IHC）染色。尽管本文提出的虚拟染色方法是基于未标记组织切片的自体荧光成像进行的，但它也可以用于加快其他无标记显微镜模式的虚拟染色工作流程。”
