Video Experimental Relacionado
Updated: May 14, 2026

Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
Reconocimiento automatizado basado en imágenes multi-harmónicas de linfoma cutáneo de células T
Shayantani Ghosh1, Olesya Pavlova2, Alexandra Latshaw1
1Nonlinear Bioimaging Lab, Department of Applied Physics, Université de Genève, Geneva, Switzerland.
La microscopía óptica no lineal (NLOM) combinada con la inteligencia artificial (IA) ayuda en el diagnóstico de la micosis fungoides (MF), un tipo de linfoma cutáneo de células T (CTCL). Esta avanzada técnica de imagen mejora la detección temprana de linfocitos atípicos en las biopsias de piel.
Área de la Ciencia:
- Dermatología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- Los linfomas cutáneos de células T (CTCL), en particular la micosis fungoides (MF), presentan desafíos de diagnóstico en las primeras etapas debido a hallazgos clínicos e histopatológicos no específicos.
- El retraso en el diagnóstico de la FM puede llevar a retrasos significativos en el tratamiento, lo que afecta los resultados del paciente.
- Los nuevos métodos de diagnóstico son cruciales para mejorar las estrategias diagnósticas y terapéuticas de la CTCL.
Objetivo del estudio:
- Evaluar la microscopía óptica no lineal (NLOM) para obtener imágenes de muestras de piel teñidas con hematoxilina y eosina (H&E).
- Desarrollar y aplicar un modelo de inteligencia artificial (IA) para la detección de epidermotropismo atípico y células dérmicas en muestras de piel de FM utilizando NLOM.
- Evaluar el potencial del NLOM para la obtención de imágenes cutáneas in vivo de muestras de biopsia frescas y sin manchar.
Principales métodos:
- Análisis de muestras de biopsia cutánea teñidas con H&E de lesiones de FM utilizando tanto la microscopia de campo brillante como la NLOM.
- Entrenamiento de una red neuronal convolucional (CNN) con imágenes etiquetadas por expertos para identificar linfocitos de la piel.
- Aplicación del modelo de IA a conjuntos de datos independientes de ambas modalidades de imágenes y muestras frescas y sin manchas.
Principales resultados:
- NLOM logró obtener imágenes de las estructuras epidérmicas y dérmicas en tejido MF teñido con H&E con resolución subcelular.
- El modelo de IA detectó con precisión el epidermotropismo de los linfocitos y la infiltración dérmica en las imágenes analizadas.
- NLOM demostró la capacidad para obtener imágenes de biopsias frescas y sin manchas de hasta 400 μm de profundidad.
Conclusiones:
- NLOM junto con AI detecta efectivamente las características clave de MF en el tejido cutáneo manchado por H&E, incluido el epidermotropismo de los linfocitos y la infiltración dérmica.
- Este enfoque combinado ofrece una herramienta valiosa para los dermatólogos para mejorar el diagnóstico y el pronóstico de MF-CTCL.
- Los hallazgos sugieren potencial para intervenciones terapéuticas más oportunas y precisas en el manejo de MF-CTCL.
Más Videos Relacionados
07:52Multiplexed Fluorescent Immunohistochemical Staining, Imaging, and Analysis in Histological Samples of Lymphoma
Published on: January 9, 2019
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
Videos de Conceptos Relacionados
Skin Cancer
Basal Cell Carcinoma (BCC): BCC is the most common type of skin cancer, accounting for about 80% of cases. It typically develops in...
Reticular Dermis
Reticular Layer
Underlying the papillary layer is the much thicker reticular layer, composed of dense, irregular connective...