虚拟组织学染色未标记的尸检组织
Yuzhu Li1,2,3, Nir Pillar1,2,3, Jingxi Li1,2,3
1Electrical and Computer Engineering Department, University of California, Los Angeles, CA, 90095, USA.
Nature communications
|February 23, 2024
概括
这项研究介绍了虚拟尸检染色,使用人工智能从自溶组织的自光图像中创建高质量的H&E染色. 这种方法克服了死后样本传统染色的局限性,提供了快速,经济有效的解决方案.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 医学中的人工智能
背景情况:
- 尸体样本的传统体化学染色通常因延迟固定而受到自解的影响,导致染色质量低下.
- 目前的染色方法是劳动密集型,昂贵和耗时的,特别是对于大型组织区域.
- 在COVID-19病例样本中常见的严重自解,使传统染色不一致和不可靠.
研究的目的:
- 开发和演示使用训练有素的神经网络对尸体组织进行虚拟染色技术.
- 快速转换无标签尸检组织的自光图像,成为亮场等效图像 (H&E染色).
- 为了克服死后组织分析中自解和细胞死亡的挑战.
主要方法:
- 训练了一个神经网络,将无标签尸检组织的自流光图像转换为亮场H&E等效图像.
- 该模型应用于尸体解剖的组织部位,包括严重自解的组织部位.
- 虚拟染色与相同样品的传统H&E染色版本进行了比较.
主要成果:
- 经过训练的神经网络成功地从自光数据中生成了相当于亮场的H&E图像.
- 虚拟染色有效地突出了核,细胞质和细胞外特征,即使在严重自解样本中也是如此.
- 该技术产生了与传统方法相比的无工件的H&E染色,尽管有显著的组织降解.
结论:
- 虚拟尸检染色为死后样品的传统体内化学染色提供了一个快速且资源高效的替代方案.
- 这种由人工智能驱动的方法提供了无工件的H&E污染,克服了与自解相关的质量问题,并提高了诊断潜力.
- 与标准的体化学染色程序相比,该方法显著降低了劳动力,成本和基础设施需求.
