使用高光谱自光显微镜和基于深度学习的虚拟组织学进行数字病理学的端到端平台

科学领域:

• 数字病理学数字病理学
• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用

背景情况:

• 传统的组织病理学是昂贵的,耗时的,并消耗组织样本.
• 现有的染色方法带来了变化,并限制了进一步的分析.
• 需要高效,具有成本效益和可重现的病理学工作流程.

研究的目的:

• 开发一个端到端的自动化病理学工作流程,使用高光谱显微镜和深度学习.
• 从未染色的组织自光产生虚拟组织学染色.
• 为了实现疾病的自动评分,并促进空间生物学研究.

主要方法:

• 定制超光谱显微镜开发用于非破坏性成像未染色的组织自光.
• 训练深度学习模型,从自光数据中生成虚拟污点.
• 使用真实和虚拟污点进行非酒精性脂肪肝 (NASH) 评分比较研究.
• 开发深度学习模型,用于自动化NASH临床研究网络的得分预测.

主要成果:

• 虚拟染色精确地复制了在真实染色图像中看到的组织学特征.
• 在病理学家对真实和虚拟污点的评分之间观察到中等到良好的一致性.
• 自动化病理学平台在NASH评分方面的表现与专家病理学家相提并论.

结论:

• 超光谱显微镜与深度学习相结合,提供了一个可行的虚拟染色策略.
• 这种方法提高了成本效益,可靠性和病理学中的组织样本保存.
• 该平台显示了改善疾病诊断和推进空间生物学研究的潜力.