Método de tinción de tejidos basado en IA detecta depósitos de amiloide sin necesidad de tinciones químicas ni microscopía de polarización

La amiloidosis sistémica, un trastorno caracterizado por la acumulación de proteínas mal plegadas en órganos y tejidos, presenta importantes dificultades de diagnóstico. La condición afecta a millones de personas cada año, a menudo resultando en daño orgánico severo, insuficiencia cardíaca y altas tasas de mortalidad si no se diagnostica y trata a tiempo. Tradicionalmente, la detección de depósitos de amiloide se ha basado en la tinción con rojo Congo observada con microscopio de luz polarizada, que se ha considerado el método de referencia. Sin embargo, este método requiere mucho tiempo, es costoso y tiende a presentar variabilidad, lo que puede dar lugar a diagnósticos erróneos. Ahora, los investigadores han desarrollado un método innovador para obtener imágenes y detectar depósitos de amiloide en muestras de tejido. Este enfoque innovador utiliza el aprendizaje profundo y la microscopía de autofluorescencia para crear imágenes de birrefringencia virtual y tinción histológica, eliminando la necesidad de imágenes de polarización y tinciones tradicionales como el rojo Congo.

La nueva técnica, descrita en la revista Nature Communications y desarrollada por investigadores de la Universidad de California en Los Ángeles (UCLA, Los Ángeles, CA, EUA), emplea una única red neuronal para convertir imágenes de autofluorescencia de tejido no teñido en imágenes de microscopía polarizada y de campo claro de alta resolución. Estas imágenes se parecen a las producidas por tinción histoquímica convencional y microscopía de polarización. El método fue probado en muestras de tejido cardíaco y demostró que las imágenes virtualmente teñidas identificaron de manera consistente y precisa los patrones de amiloide. Este enfoque elimina la necesidad de tinción química y microscopios de polarización especializados, lo que potencialmente acelera el diagnóstico y reduce los costos. El proceso de tinción virtual igualó e incluso superó la calidad de los métodos tradicionales, como lo confirmaron varios patólogos certificados por la junta de UCLA.

Los resultados del estudio indican que esta técnica de tinción virtual podría incorporarse fácilmente a los flujos de trabajo clínicos actuales, fomentando un uso más amplio de la patología digital. El método no requiere componentes ópticos especializados y puede implementarse en escáneres de patología digital estándar, aciéndolo accesible para una amplia gama de instalaciones de salud. Los investigadores planean ampliar sus evaluaciones a otros tipos de tejidos, incluidos el riñón, el hígado y el bazo, para validar aún más la eficacia de la técnica en varias formas de amiloidosis. También tienen como objetivo desarrollar sistemas de detección automatizados para ayudar a los patólogos a identificar regiones problemáticas, lo que podría mejorar la precisión del diagnóstico y minimizar los falsos negativos.

“Nuestro modelo de aprendizaje profundo puede realizar transformaciones de imagen tanto de autofluorescencia a birrefringencia como de autofluorescencia a campo claro, lo que ofrece una alternativa confiable, consistente y rentable a los métodos de histología tradicionales. Este avance podría mejorar en gran medida la velocidad y precisión del diagnóstico de amiloidosis, reduciendo el riesgo de falsos negativos y mejorando los resultados de los pacientes”, afirmó el Dr. Aydogan Ozcan, autor principal del estudio y titular de la Cátedra Volgenau de Innovación en Ingeniería en la UCLA. “Esta innovación representa un avance significativo en el campo de la patología de la amiloidosis. No solo simplifica el proceso de diagnóstico, sino que también tiene potencial para expandir el uso de la patología digital en la práctica clínica habitual, en particular en entornos con recursos limitados”.

Visitar la expo >

New

Miembro Oro

Syphilis Screening Test

VDRL Antigen MR

Miembro Oro

Turnkey Packaging Solution

HLX

New

Leptin ELISA

Leptin AccuBind ELISA Kit

New

STI Test

cobas TV/MG