인공지능 방법이 조직화학적 염색을 대체할 수 있다

2022년 10월 31일

지능형 컴퓨팅으로

병리학자는 먼저 조직 샘플을 염색하여 관찰합니다. 그러나 조직병리학에서 조직 샘플을 염색하기 위한 표준 절차는 시간이 많이 걸리고 전문적인 실험실 인프라, 화학 시약 및 숙련된 기술자가 필요합니다. 다양한 실험실 및 조직학 기술자의 취급 시 조직 염색의 불확실성으로 인해 오진이 발생할 수 있습니다. 또한, 절차의 각 단계가 시료에 되돌릴 수 없는 영향을 미치기 때문에 현재 사용되는 이러한 조직화학적 염색 기술로는 원래 조직 시료가 보존되지 않습니다.

인공 지능(AI)의 발전으로 연구자들은 AI 기술을 사용하여 병리학 작업 흐름을 개선하고 있습니다. 캘리포니아 대학교 로스앤젤레스(UCLA)의 최근 연구에서는 심층 신경망을 사용하여 라벨이 지정되지 않은 조직의 현미경 이미지를 가상으로 염색했습니다. 해당 연구는 지능형 컴퓨팅(Intelligent Computing)지에 게재되었습니다.

심층 신경망은 이미 라벨이 지정되지 않은 조직 단면 이미지를 염색하는 데 적용되어 힘들고 시간이 많이 소요되는 다양한 조직화학적 염색 과정을 피합니다. 그러나 몇 가지 병목 현상이 있습니다. "모든 라벨이 없는 가상 염색 방법에서 라벨이 없는 조직 절편의 초점이 맞는 이미지를 얻는 것이 필수적입니다. 일반적으로 초점을 맞추는 것은 광학 현미경 검사에서 중요하지만 시간이 많이 걸리는 단계입니다."라고 저자는 말했습니다.

가장 널리 사용되는 자동 초점 방법은 조직 슬라이드 영역 전체에 걸쳐 높은 초점 정밀도로 많은 초점 포인트를 요구하며, 최상의 초점 평면은 반복 검색 알고리즘에 의해 결정됩니다. 이는 시간이 많이 걸리고 샘플에 광손상 및 광표백을 유발할 수 있습니다.

이러한 문제를 극복하기 위해 저자는 새로운 딥러닝 기반 고속 가상 염색 프레임워크를 제시합니다. 그들은 "이 프레임워크는 자동 초점 신경망(Deep-R이라고 함)을 사용하여 초점이 흐려진 자가형광 이미지를 디지털 방식으로 다시 초점을 맞춥니다. 그런 다음 가상 염색 네트워크를 사용하여 초점이 다시 맞춰진 이미지를 가상으로 염색된 이미지로 변환합니다."라고 말합니다.

표준 가상 염색 프레임워크와 비교하여 저자가 시연한 새로운 프레임워크는 더 적은 수의 초점을 사용하고 각 초점 포인트의 초점 정밀도를 줄여 조직의 대략적으로 초점이 맞춰진 전체 슬라이드 자가형광 이미지를 획득합니다.

이 새로운 가상 염색 프레임워크는 자동 초점 시간과 전체 이미지 획득 프로세스를 크게 줄일 수 있습니다. 저자는 "딥 러닝 기반 프레임워크는 라벨이 없는 전체 슬라이드 이미지(WSI)의 가상 염색에 필요한 총 이미지 획득 시간을 ~32% 감소시키고, 자동 초점 시간도 최대 89% 감소시킵니다. 티슈 슬라이드."

표준 가상 염색 프레임워크에 비해 이미지 선명도와 대비가 손실됨에도 불구하고 고품질 염색이 여전히 생성되어 해당 조직화학적으로 염색된 실제 이미지와 거의 일치합니다. 또한 이 프레임워크는 표준 가상 염색 프레임워크의 견고성을 향상시키기 위한 추가 모듈로도 사용할 수 있습니다.

이 빠른 가상 염색 프레임워크는 앞으로 더 많은 개발 전망을 갖게 될 것입니다. "이 빠른 가상 염색 작업 흐름은 Masson의 Trichrome 염색, Jones의 은 염색, 면역조직화학(IHC) 염색과 같은 다른 많은 염색으로 확장될 수도 있습니다."라고 저자는 말했습니다. "여기에 제시된 가상 염색 접근 방식은 라벨이 지정되지 않은 조직 섹션의 자가형광 이미징을 기반으로 시연되었지만 다른 라벨 없는 현미경 검사 방식의 가상 염색 작업 흐름 속도를 높이는 데에도 사용할 수 있습니다."