La Percée De L'ia En Pathologie : Colorier Les Images Pour Les Rendre Réelles
Par Super Neuro
Description du scénario :Grâce à des méthodes d’apprentissage automatique, nous pouvons colorer virtuellement des images microscopiques de sections d’échantillons de tissus en pathologie pour éviter les inconvénients des méthodes de coloration traditionnelles. Aider le personnel médical à établir un diagnostic plus facilement.
Mots-clés:CNN, traitement d'images, assistance médicalefermer
De nombreux diagnostics médicaux sont posés grâce à un processus d’observation par images. En matière de traitement d’images, l’IA s’avère utile.
Lors des examens pathologiques basés sur des observations de biopsie, des sections extrêmement fines de l'échantillon doivent être colorées puis observées au microscope pour un diagnostic pathologique. Du point de vue de l’IA, ce problème est une question de coloration précise des images.
Dans un rapport récent, les chercheurs ont utilisé des méthodes d’apprentissage automatique pour obtenir une précision extrêmement élevée dans la coloration virtuelle des tranches, ce qui peut remplacer fondamentalement le processus de coloration manuelle.
Coloration traditionnelle de coupes d'échantillons de tissus
L’imagerie microscopique d’échantillons de tissus est un outil fondamental pour diagnostiquer un large éventail de maladies et constitue un outil de travail de la pathologie et des sciences biologiques.
L'opération spécifique consiste à prélever un très petit morceau de tissu corporel et à traiter et analyser l'échantillon pour atteindre l'objectif d'examen et de diagnostic.
Une fois l’échantillon prélevé, il est découpé en tranches de quelques micromètres (millionièmes de mètre) d’épaisseur. Ces fines coupes de tissus contiennent des informations sur l’état du patient à une échelle microscopique.
Sous un microscope optique standard, les sections non traitées étaient presque impossibles à distinguer. La seule façon d’améliorer l’identification est de colorer. Au cours des années de développement en pathologie, les médecins ont créé de nombreuses méthodes de coloration des tissus.
Cependant, le processus traditionnel de coloration des échantillons de tissus est long et compliqué, nécessitant une infrastructure de laboratoire spécialisée, des réactifs chimiques et des techniciens qualifiés.
Coloration numérique avec IA
Alors, comment l’IA effectue-t-elle la coloration ?
La coloration d'images virtuelles utilise une approche d'apprentissage automatique en utilisant un réseau neuronal convolutif profond (CNN) pour colorer une seule image d'autofluorescence d'un échantillon à l'aide de données provenant de colorations précédentes.
Lors de l'opération, on coupe d'abord le tissu non coloré et on en prend une image microscopique sous autofluorescence.
Ensuite, en utilisant un CNN formé avec un réseau antagoniste génératif (GAN), l'image d'autofluorescence de tissu non marquée peut être rapidement convertie en une image similaire à la coloration réactive.
Cette méthode basée sur l’apprentissage en profondeur n’implique pas du tout les étapes traditionnelles fastidieuses. Il entraîne le modèle via un ordinateur et produit finalement une image colorée, ce qui peut considérablement économiser des coûts et du temps.
La recherche a été menée par une équipe de recherche de l’Université de Californie à Los Angeles, et les résultats ont été publiés dans la revue Nature Biomedical Engineering.
Adresse de l'article : https://www.nature.com/articles/s41551-019-0362-y
Est-ce vraiment si bien ?
Alors, quel est l’effet réel de la coloration virtuelle de l’IA ?
Pour juger de l’efficacité de la teinture virtuelle, les chercheurs ont utilisé un processus d’« examen à l’aveugle ».
Il a été demandé aux pathologistes certifiés de juger de manière indépendante si les échantillons étaient colorés avec des réactifs ou avec une coloration virtuelle par IA sans en être informés.
La conclusion finale montre qu’en termes de qualité de coloration, le diagnostic médical produit par la coloration virtuelle générée par l’IA ne présente aucune différence cliniquement significative par rapport aux méthodes précédentes.
Les chercheurs ont également coloré certains échantillons en utilisant des méthodes conventionnelles après coloration virtuelle, et les images résultantes ont montré que les effets réels étaient presque les mêmes.
La première colonne est l'image améliorée par contraste, la deuxième colonne est l'image d'autofluorescence originale, la troisième colonne est la coloration virtuelle AI et la quatrième colonne est une méthode traditionnelle : la coloration au trichrome de Masson. Les cibles étaient des biopsies du foie et des poumons.
La nouvelle méthode a été validée sur une variété de colorations et de types de tissus humains, y compris des coupes de routine de glandes salivaires, de thyroïde, de rein, de foie et de poumon.
Ils ont déclaré que la prochaine étape consiste à mener des études cliniques randomisées à grande échelle pour vérifier l’exactitude du diagnostic par image de coloration AI.
Ce que la technologie peut faire
La méthode de coloration AI ne nécessite qu'un microscope à fluorescence standard et un ordinateur simple, elle présente donc des avantages transformateurs dans des environnements et des conditions aux ressources limitées.
« Cette technologie a le potentiel de transformer les flux de travail d’histopathologie clinique », a déclaré Aydogan Ozcan, qui a dirigé l’étude. « Le processus de coloration est rapide et simple, et ne nécessite pas de techniciens spécialisés ni de laboratoires médicaux avancés. »
Concernant l'évolutivité de cette méthode, il a ajouté : « Le cadre de coloration virtuelle basé sur l'IA peut également être utilisé en salle d'opération, par exemple, pour évaluer rapidement les marges tumorales et fournir des conseils pratiques, voire critiques, aux chirurgiens pratiquant une intervention chirurgicale. »
De plus, un autre impact majeur de cette recherche est qu’elle contribuera à normaliser l’ensemble du processus de coloration. L’utilisation de méthodes d’IA peut prévenir les différences causées par différents techniciens et environnements opératoires, évitant ainsi les erreurs de diagnostic ou de classification des biopsies.