Pesquisadores desenvolvem um método baseado em IA para substituir a coloração química do tecido

Pesquisadores da University of Eastern Finland, da University of Turku e da Tampere University desenvolveram um método baseado em inteligência artificial para coloração virtual de amostras histopatológicas de tecido como parte do consórcio Nordic ABCAP. A coloração química tem sido a pedra angular do estudo da histopatologia por mais de um século e é amplamente aplicada, por exemplo, no diagnóstico de câncer.

“A coloração química torna a morfologia quase transparente e de baixo contraste tecido seções visíveis. Sem ela, a análise da morfologia do tecido é quase impossível para a visão humana. A coloração química é irreversível e, na maioria dos casos, impede o uso da mesma amostra para outros experimentos ou medições”, diz a pesquisadora universitária e vice-diretora do Instituto de Biomedicina da Universidade da Finlândia Oriental Leena Latonen, que liderou a parte experimental do estudo.

O método de inteligência artificial desenvolvido neste estudo produz imagens computacionais que se assemelham muito àquelas produzidas pelo processo de coloração química real. Esta imagem virtualmente corada pode então ser usada para inspecionar a morfologia dos tecidos. A coloração virtual reduz tanto a carga química quanto o trabalho manual necessário para o processamento da amostra, além de permitir o uso do tecido para outros fins além da própria coloração.

A força do método de coloração virtual proposto é que ele não requer nenhum hardware ou infraestrutura especial além de uma microscopia de luz regular e um computador adequado.

“Os resultados são amplamente aplicáveis. Há muitos tópicos para pesquisas de acompanhamento e o métodos computacionais ainda pode ser melhorado. No entanto, já podemos vislumbrar várias áreas de aplicação em que a coloração virtual pode ter um grande impacto na histopatologia”, diz o professor associado Pekka Ruusuvuori, da Universidade de Turku, que liderou a parte computacional do estudo.

Grande potencial de métodos computacionais

O aprendizado de redes neurais profundas de grandes volumes de dados transformou rapidamente o campo da análise de imagens biomédicas. Além das tarefas tradicionais de análise de imagens, como interpretação de imagens, esses métodos também são adequados para transformações de imagem para imagem. A coloração virtual é um exemplo dessa tarefa, como foi demonstrado com sucesso nas duas partes publicadas do trabalho. A segunda parte concentrou-se na otimização da coloração virtual com base em redes neurais adversárias generativas, com o pesquisador de doutorado Umair Khan da Universidade de Turku como principal desenvolvedor.

“As redes neurais profundas são capazes de funcionar em um nível que não podíamos imaginar há um tempo atrás. A coloração virtual baseada em inteligência artificial pode ter um grande impacto no processamento de amostras mais eficiente em histopatologia”, diz Khan.

Além dos algoritmos de inteligência artificial, a chave do sucesso foi a disponibilidade de serviços de computação de alto desempenho por meio do CSC.

“Na Finlândia, temos uma excelente infra-estrutura para computação paralela de alto desempenho. Pesquisas computacionais intensivas como esta não seriam possíveis sem a capacidade fornecida pelo CSC”, diz Ruusuvuori.

Os resultados do estudo foram publicados no Investigação Laboratorial e Padrões.