Digitális szövettani festés

A Nature Communications folyóiratban május 30-án jelent meg a UCLA Engineering Institute for Technology Advancement kutatóinak tanulmánya, amelyben a szövettani vizsgálatokhoz alkalmazott hagyományos kémiai festési módszereket mesterséges intelligencia alapú digitális “festéssel” váltották fel, jelentősen javítva a képek minőségét és a festés konzisztenciáját.

A betegségek diagnosztizálásához elengedhetetlen hagyományos szövettani vizsgálatok során a patológusok kémiai festéssel színezik a szövetmintákat, hogy a sejtek szerkezetét mikroszkópos vizsgálat céljából kiemeljék. Ez a munkaigényes szövettani festés időigényes, költséges, kémiai reagenseket igényel, ráadásul károsítja a szövetet. Ezen korlátok leküzdése érdekében dolgozták ki a kutatók a „virtuális festést”, vagyis egy olyan hatékony számítástechnikai eszközt, amely a festetlen szövetek képeit a kémiailag festett mintákkal egyenértékűvé alakítja, fizikai festékek vagy kémiai eljárások alkalmazása nélkül.

A Brown-féle hídfolyamat ihlette, csúcstechnológiás diffúziós modell kihasználásával a módszer rendkívül részletes és pontos mikroszkópos képeket generál a szövetekről, amelyek digitálisan helyettesítik a hagyományos hisztokémiai festést, ami így egy nem-destruktív, költséghatékony és skálázható alternatívát kínál a digitális patológia számára. A “pixel szuperfelbontású virtuális festési technika” az alacsonyabb felbontású szöveti metszetek autofluoreszcens képeit hűen képes reprodukálni, mi több, magasabb felbontású, nagy pontosságú képet hoz létre, amely hűen utánozza a hisztokémiailag festett metszeteket, például a gyakran használt hematoxilin-eozin (H&E) festést.

A térbeli felbontás négyszeres-ötszörös növelésével ez a virtuális festési módszer drámai módon javítja mind a vizuális minőséget, mind a diagnosztikai hasznosságot a kapott H&E-festett szöveti képeken.

A módszer kifejlesztése során kulcsfontosságú lépés volt, hogy sikerült kontrollálni a diffúziós modellekben rejlő véletlenszerűséget, így jelentősen csökkenteni a képek közötti eltéréseket, biztosítva ezzel a klinikai diagnosztikában elengedhetetlenül szükséges stabil és ismételhető eredményeket.

“A diffúziós modellek hatékonyak, de véletlenszerűségük kétélű fegyver” – nyilatkozta a cikk első szerzője, Aydogan Ozcan professzor. “Bevezettünk egy olyan módszert, amellyel megszelídíthető ez a véletlenszerűség, így kontrollt és konzisztenciát biztosítunk a következtetés során, ami elengedhetetlen a klinikai alkalmazásokhoz. Emberi tüdőszövetmintákon végzett vak tesztelés során a diffúzióalapú pixel-szuperfelbontású virtuális festési modell kiváló felbontást, szerkezeti hasonlóságot és észlelési pontosságot mutatott a meglévő módszerekhez képest. Az AI által generált képek és a hisztokémiailag festett megfelelőik között teljes egyezés mutatható ki a különböző szöveti jellemzők tekintetében. Ennek az új technológiának a robusztusságát tovább bizonyította a sikeres transzfer tanulás emberi szívszövetmintákon, amely különböző szervtípusok esetében is megőrizte a magas pontosságot és felbontást. Ez a diffúziós modell alapú virtuális festési módszer kiküszöböli a kémiai festés szükségességét, időt és erőforrásokat takarít meg, és megőrzi a szövet integritását. Innovációnk jelentősen felgyorsíthatja a digitális patológiai munkafolyamatokat, különösen erőforrás-korlátozott környezetben vagy sürgős klinikai körülmények között.”

Írásunk az alábbi közlemények alapján készült:

AI performs virtual tissue staining at super-resolution

Pixel super-resolved virtual staining of label-free tissue using diffusion models

Irodalmi hivatkozás:

Zhang, Y., et al. Pixel super-resolved virtual staining of label-free tissue using diffusion models. Nature Communications (2025). doi.org/10.1038/s41467-025-60387-z