Dans un article paru ce 4 mars dans la revue Nature Biomedical Engineering, des chercheurs de l'Université de Californie ont dévoilé leur étude sur l'analyse histologique d'échantillons de tissus. Grâce à un réseau de neurones convolutifs, ils ont mis au point une solution pour analyser plus rapidement et de façon moins coûteuse les images. L'histopathologie est utilisée dans le diagnostic de nombreuses maladies. Il s'agit notamment d'analyser un échantillon de tissu, coupé en fines tranches. La colorisation est indispensable afin d'apporter un contraste suffisant et marquer les caractéristiques microscopiques et moléculaires qui permettront au pathologiste d'étudier l'échantillon. Les processus de colorisation des tissus, qui font partie des méthodes de diagnostic de référence de la médecine moderne, nécessitent du temps mais ont également un coût important. Des chercheurs de l'Université de Californie, dont Yair Rivenson, ont développé un modèle de deep learning, basé sur un réseau de neurones convolutifs entraîné à l'aide de GAN. Il permet, à partir d'une image microscopique de composés fluorescents naturellement présents dans des coupes de tissu non colorées (ou image d'auto-fluorescence), d'obtenir une image équivalente du même tissu comme si elle était passée par le processus standard de coloration des tissus. Autrement dit, les images d'autofluorescence à champ large de sections de tissu non marquées deviennent des images équivalentes aux images de champ clair de versions colorées histologiquement. [caption id="attachment_12708" align="aligncenter" width="650"]UCLA histopathologie 1 Deep-learning-based virtual histology staining using autofluorescence of unstained tissue. - https://doi.org/10.1038/s41551-019-0362-y[/caption] Cette recherche a été publiée dans Nature Biomedical Engineering et a été dirigée par le Dr. Aydogan Ozcan, professeur de génie électrique et informatique à UCLA et directeur associé du California NanoSystems Institute (CNSI), le Dr. Yair Rivenson, professeur de génie électrique et informatique à UCLA, en collaboration avec Hongda Wang, Kevin de Haan et Zhensong Wei, étudiants diplômés de UCLA. 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 d’UCLA.
"Cette technologie peut potentiellement changer radicalement le flux de travail de l'histopathologie clinique en rendant le processus de coloration des tissus extrêmement simple et rapide, sans nécessiter l'intervention de techniciens experts ou d'un laboratoire médical de pointe." 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, fournissant ainsi des conseils essentiels et indispensables aux chirurgiens lors d'une opération", a ajouté le Dr Ozcan.
[caption id="attachment_12709" align="aligncenter" width="650"]UCLA histopathologie 2 Virtual staining GAN architecture. - https://doi.org/10.1038/s41551-019-0362-y[/caption] La comparaison à l'aveugle, réalisée par des pathologistes certifiés par le conseil d'administration, de cette méthode de coloration virtuelle et de la coloration histologique standard à l'aide d'images microscopiques de coupes de tissus humains de glandes salivaires, de la thyroïde, des reins, du foie et du poumon, impliquant différents types de coloration, n'a révélé aucune discordance majeure. Ce processus de coloration virtuelle optimisé par le deep learning pourrait donc réduire de façon conséquente le temps nécessaire et le coût de préparation des échantillons. Les spécialistes pourront travailler à partir d'un microscope à fluorescence standard et d'un simple ordinateur. Parallèlement, cette méthode permettrait également de standardiser l’ensemble du processus de coloration, puisque ce réseau neuronal éliminerait également la variabilité de la coloration observée chez les techniciens et les laboratoires médicaux, pouvant entraîner des erreurs de diagnostic et une classification erronée des biopsies. Référence : Yair Rivenson et al. "Virtual histological staining of unlabelled tissue-autofluorescence images via deep learning", Nature Biomedical Engineering (2019). DOI: 10.1038/s41551-019-0362-y

Nos articles remonteront en priorité dans « À la une » de Google.