El aprendizaje profundo tiñe con precisión los portaobjetos de biopsia digital
Mapas de activación del modelo de red neuronal para la tinción digital de tumores. Crédito: Instituto Tecnológico de Massachusetts
Los portaobjetos de biopsia de tejido teñidos con colorantes de hematoxilina y eosina (H&E) son una piedra angular de la histopatología, especialmente para los patólogos que necesitan diagnosticar y determinar la etapa de los cánceres. Un equipo de investigación dirigido por científicos del MIT en el Media Lab, en colaboración con médicos de la Facultad de Medicina de la Universidad de Stanford y la Facultad de Medicina de Harvard, ahora muestra que los escaneos digitales de estos portaobjetos de biopsia se pueden teñir computacionalmente, utilizando algoritmos de aprendizaje profundo entrenados en datos de datos físicos. diapositivas teñidas.
Los patólogos que examinaron las imágenes de los portaobjetos de H&E teñidos computacionalmente en un estudio ciego no pudieron diferenciarlos de los portaobjetos teñidos tradicionalmente mientras los usaban para identificar y clasificar con precisión los cánceres de próstata. Además, los portaobjetos también podrían «descolorarse» computacionalmente de una manera que los restablezca a un estado original para su uso en estudios futuros, concluyen los investigadores en su estudio del 20 de mayo publicado en JAMA Network Open.
Este proceso de tinción y decoloración digital computacional conserva pequeñas cantidades de tejido biopsiado de pacientes con cáncer y permite a los investigadores y médicos analizar portaobjetos para múltiples tipos de pruebas de diagnóstico y pronóstico, sin necesidad de extraer secciones de tejido adicionales.
«Nuestro desarrollo de una herramienta de decoloración puede permitirnos expandir enormemente nuestra capacidad para realizar investigaciones en millones de portaobjetos archivados con datos de resultados clínicos conocidos», dice Alarice Lowe, profesora asociada de patología y directora de Circulating Tumor Cell Lab en la Universidad de Stanford, quien fue coautor del artículo. «Las posibilidades de aplicar este trabajo y validar rigurosamente los hallazgos son realmente ilimitadas».
Los investigadores también analizaron los pasos mediante los cuales las redes neuronales de aprendizaje profundo tiñeron las diapositivas, lo cual es clave para la traducción clínica de estos datos profundos. sistemas de aprendizaje, dice Pratik Shah, científico investigador principal del MIT y autor principal del estudio.
«El problema es el tejido, la solución es un algoritmo, pero también necesitamos la ratificación de los resultados generados por estos sistemas de aprendizaje, » él dice. «Esto proporciona una explicación y validación de ensayos clínicos aleatorizados de modelos de aprendizaje profundo y sus hallazgos para aplicaciones clínicas».
Otros colaboradores del MIT son el primer autor conjunto y asociado técnico Aman Rana (ahora en Amazon) y el posdoctorado del MIT Akram Bayat en el laboratorio de Shah. Los patólogos de la Escuela de Medicina de Harvard, el Hospital Brigham and Women’s, la Escuela de Medicina de la Universidad de Boston y Veterans Affairs Boston Healthcare proporcionaron la validación clínica de los hallazgos.
Creación de diapositivas «hermanas»
Para crear diapositivas teñidas computacionalmente, Shah y sus colegas han estado entrenando redes neuronales profundas, que aprenden comparando pares de imágenes digitales de diapositivas de biopsia antes y después de la tinción con H&E. Es una tarea muy adecuada para las redes neuronales, dijo Shah, «ya que son bastante poderosas para aprender una distribución y mapeo de datos de una manera que los humanos no pueden aprender bien».
Shah llama a los pares «hermanos ”, señalando que el proceso entrena a la red mostrándoles miles de pares de hermanos. Después del entrenamiento, dijo, la red solo necesita las imágenes de biopsia no teñidas «hermanas de bajo costo y ampliamente disponibles y fáciles de manejar» para generar nuevas imágenes teñidas computacionalmente con H&E, o al revés, donde una imagen teñida con tinte H&E es virtualmente desteñido.
En el estudio actual, los investigadores entrenaron a la red usando 87 000 parches de imagen (pequeñas secciones de las imágenes digitales completas) escaneadas a partir de biopsias de tejido de próstata de 38 hombres tratados en el Brigham and Women’s Hospital entre 2014 y 2017. Los tejidos y los registros electrónicos de salud de los pacientes se desidentificaron como parte del estudio.
Cuando Shah y sus colegas compararon píxel por píxel imágenes teñidas con tinción normal y teñidas computacionalmente, encontraron que el Las redes neuronales realizaron una tinción H&E virtual precisa, creando imágenes que eran entre un 90 y un 96 por ciento similares a las versiones teñidas. Los algoritmos de aprendizaje profundo también podrían revertir el proceso, quitando la tinción de los portaobjetos coloreados computacionalmente a su estado original con un grado similar de precisión.
«Este trabajo ha demostrado que los algoritmos informáticos pueden tomar tejido no teñido de manera confiable y realizar la tinción histoquímica usando H&E», dice Lowe, quien dijo que el proceso también «sienta las bases» para usar otras tinciones y métodos analíticos que los patólogos usan regularmente.
Los portaobjetos teñidos computacionalmente podrían ayudar a automatizar el proceso que requiere mucho tiempo proceso de teñido de portaobjetos, pero Shah dijo que la capacidad de desteñir y conservar imágenes para uso futuro es la verdadera ventaja de las técnicas de aprendizaje profundo. «En realidad, no solo estamos resolviendo un problema de tinción, también estamos resolviendo un problema de conservación del tejido», dijo.
Software como dispositivo médico
Como parte del estudio, cuatro patólogos expertos capacitados y certificados por la junta etiquetaron 13 juegos de portaobjetos teñidos computacionalmente y teñidos tradicionalmente para identificar y calificar tumores potenciales. En la primera ronda, dos patólogos seleccionados al azar recibieron imágenes teñidas computacionalmente, mientras que las imágenes teñidas con colorante H&E se entregaron a los otros dos patólogos. Después de un período de cuatro semanas, los conjuntos de imágenes se intercambiaron entre los patólogos y se realizó otra ronda de anotaciones. Hubo una superposición del 95 por ciento en las anotaciones hechas por los patólogos en los dos juegos de diapositivas. «Los lectores humanos no podrían distinguirlos», dice Shah.
Las evaluaciones de los patólogos de los portaobjetos teñidos computacionalmente también coincidieron con la mayoría de los diagnósticos clínicos iniciales incluidos en los registros de salud electrónicos del paciente. En dos casos, las imágenes teñidas computacionalmente anularon los diagnósticos originales, encontraron los investigadores.
«El hecho de que los diagnósticos con mayor precisión se pudieran representar en imágenes teñidas digitalmente habla de la alta fidelidad de la calidad de la imagen «, dice Lowe.
Otra parte importante del estudio involucró el uso de métodos novedosos para visualizar y explicar cómo las redes neuronales ensamblaron imágenes teñidas y desteñidas computacionalmente. Esto se hizo creando una visualización píxel por píxel y una explicación del proceso utilizando mapas de activación de modelos de redes neuronales correspondientes a tumores y otras características utilizadas por los médicos para diagnósticos diferenciales.
Este tipo de análisis ayuda a crear un proceso de verificación que se necesita al evaluar «software como dispositivo médico», dice Shah, quien está trabajando con la Administración de Drogas y Alimentos de EE. UU. en formas de regular y traducir la medicina computacional para aplicaciones clínicas.
» La pregunta ha sido, ¿cómo llevamos esta tecnología a los entornos clínicos para maximizar el beneficio para los pacientes y los médicos?». Shah dice. «El proceso de sacar esta tecnología implica todos estos pasos: datos de alta calidad, informática, explicación del modelo y rendimiento de evaluación comparativa, visualización de imágenes y colaboración con los médicos para múltiples rondas de evaluaciones».
Explore más
El nuevo modelo de IA clasifica con precisión los pólipos colorrectales usando portaobjetos de 24 instituciones Más información: Aman Rana et al. Uso del aprendizaje profundo para desarrollar y analizar la tinción computacional con hematoxilina y eosina de imágenes de biopsias del núcleo de la próstata para el diagnóstico de tumores, JAMA Network Open (2020). DOI: 10.1001/jamanetworkopen.2020.5111 Información de la revista: JAMA Network Open
Proporcionado por el Instituto de Tecnología de Massachusetts Cita: El aprendizaje profundo tiñe con precisión los portaobjetos de biopsia digital (2020, mayo 25) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-deep-accurately-digital-biopsy.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.