KI-Durchbruch in Der Pathologie: Bilder Einfärben, Damit Sie Realistisch Aussehen
Von Super Neuro
Szenariobeschreibung:Mithilfe von Methoden des maschinellen Lernens können wir mikroskopische Bilder von Gewebeprobenschnitten in der Pathologie virtuell färben und so die Nachteile herkömmlicher Färbemethoden vermeiden. Unterstützen Sie medizinisches Personal dabei, einfacher Diagnosen zu stellen.
Schlüsselwörter:CNN, Bildverarbeitung, medizinische Hilfeschließen
Viele medizinische Diagnosen werden durch Beobachtung anhand von Bildern gestellt. Wenn es um die Bildverarbeitung geht, ist KI praktisch.
Bei pathologischen Untersuchungen auf der Grundlage von Biopsiebeobachtungen müssen extrem dünne Schnitte der Probe gefärbt und dann zur pathologischen Diagnose unter dem Mikroskop untersucht werden. Aus der Perspektive der KI besteht dieses Problem darin, Bilder präzise einzufärben.
In einem aktuellen Bericht verwendeten Forscher Methoden des maschinellen Lernens, um eine extrem hohe Genauigkeit bei der virtuellen Färbung von Schnitten zu erreichen, die den manuellen Färbeprozess grundsätzlich ersetzen kann.
Traditionelle Färbung von Gewebeprobenschnitten
Die mikroskopische Abbildung von Gewebeproben ist ein grundlegendes Instrument zur Diagnose einer großen Bandbreite von Krankheiten und ein Arbeitsinstrument der Pathologie und der Biowissenschaften.
Bei der spezifischen Operation wird ein sehr kleines Stück Körpergewebe entnommen und die Probe verarbeitet und analysiert, um Untersuchungs- und Diagnosezwecke zu erreichen.
Sobald die Probe entnommen ist, wird sie in dünne Scheiben von wenigen Mikrometern (Millionstel Meter) Dicke geschnitten. Diese dünnen Gewebeschnitte enthalten Informationen über den Zustand des Patienten auf mikroskopischer Ebene.
Unter einem Standard-Lichtmikroskop waren die unbehandelten Abschnitte kaum zu unterscheiden. Die einzige Möglichkeit, die Identifizierung zu verbessern, ist die Färbung. Im Laufe der Jahre der Entwicklung in der Pathologie haben Ärzte viele Methoden zur Gewebefärbung entwickelt.
Der herkömmliche Färbeprozess von Gewebeproben ist jedoch zeitaufwändig und kompliziert und erfordert eine spezielle Laborinfrastruktur, chemische Reagenzien und gut ausgebildete Techniker.
Digitales Kolorieren mit KI
Wie also führt KI das Färben durch?
Bei der virtuellen Bildfärbung kommt ein maschineller Lernansatz zum Einsatz, bei dem mithilfe eines tiefen Convolutional Neural Network (CNN) ein einzelnes Autofluoreszenzbild einer Probe unter Verwendung von Daten aus vorherigen Färbungen eingefärbt wird.
Während der Operation wird zunächst das ungefärbte Gewebe in Scheiben geschnitten und unter Autofluoreszenz mikroskopisch aufgenommen.
Anschließend kann das unmarkierte Gewebeautofluoreszenzbild mithilfe eines mit einem Generative Adversarial Network (GAN) trainierten CNN schnell in ein Bild umgewandelt werden, das einer Reagenzfärbung ähnelt.
Diese auf Deep Learning basierende Methode erfordert überhaupt keine langwierigen traditionellen Schritte. Es trainiert das Modell mithilfe eines Computers und gibt schließlich ein Farbbild aus, was erheblich Kosten und Zeit sparen kann.
Die Untersuchung wurde von einem Forschungsteam der University of California, Los Angeles, durchgeführt und die Ergebnisse wurden in der Zeitschrift Nature Biomedical Engineering veröffentlicht.
Adresse des Artikels: https://www.nature.com/articles/s41551-019-0362-y
Ist es wirklich so gut?
Was ist also die tatsächliche Wirkung der virtuellen KI-Färbung?
Um die Wirksamkeit des virtuellen Färbens zu beurteilen, verwendeten die Forscher ein „Blind Review“-Verfahren.
Staatlich geprüfte Pathologen wurden gebeten, ohne vorherige Information selbstständig zu beurteilen, ob die Proben mit Reagenzien oder mittels virtueller KI-Färbung gefärbt wurden.
Die abschließende Schlussfolgerung zeigt, dass die medizinische Diagnose, die durch KI-generierte virtuelle Färbung erstellt wird, hinsichtlich der Färbungsqualität keinen klinisch signifikanten Unterschied zu früheren Methoden aufweist.
Die Forscher färbten einige Proben nach der virtuellen Färbung auch mit herkömmlichen Methoden und die resultierenden Bilder zeigten, dass die tatsächlichen Effekte nahezu dieselben waren.
Die erste Spalte ist das kontrastverstärkte Bild, die zweite Spalte ist das ursprüngliche Autofluoreszenzbild, die dritte Spalte ist die virtuelle AI-Färbung und die vierte Spalte ist eine traditionelle Methode: Masson-Trichrom-Färbung. Ziel waren Leber- und Lungenbiopsien.
Die neue Methode wurde anhand einer Vielzahl von Färbungen und menschlichen Gewebetypen validiert, darunter Routineschnitte von Speicheldrüsen, Schilddrüse, Niere, Leber und Lunge.
Sie sagten, der nächste Schritt bestehe in der Durchführung groß angelegter randomisierter klinischer Studien, um die Genauigkeit der KI-Färbungsbilddiagnose zu überprüfen.
Was Technologie leisten kann
Für die KI-Färbemethode sind lediglich ein Standard-Fluoreszenzmikroskop und ein einfacher Computer erforderlich, sodass sie in Umgebungen und unter Bedingungen mit begrenzten Ressourcen bahnbrechende Vorteile bietet.
„Diese Technologie hat das Potenzial, die Arbeitsabläufe in der klinischen Histopathologie zu verändern“, sagte Aydogan Ozcan, der Leiter der Studie. „Der Färbevorgang ist schnell und einfach und erfordert keine spezialisierten Techniker oder fortschrittlichen medizinischen Labore.“
Zur Skalierbarkeit dieser Methode fügte er hinzu: „Das KI-basierte virtuelle Färbesystem kann auch im Operationssaal eingesetzt werden, um beispielsweise Tumorränder schnell zu beurteilen und Chirurgen bei der Durchführung von Operationen praktische oder sogar kritische Anleitungen zu geben.“
Ein weiterer wichtiger Aspekt dieser Forschung besteht darin, dass sie zur Standardisierung des gesamten Färbeprozesses beitragen wird. Durch den Einsatz von KI-Methoden können Unterschiede aufgrund unterschiedlicher Techniker und Operationsumgebungen vermieden und so Fehldiagnosen oder Fehlklassifizierungen von Biopsien vermieden werden.