L'apprendimento profondo classifica i tessuti per la medicina di precisione / Deep learning classifies tissue for precision medicine

L'apprendimento profondo classifica i tessuti per la medicina di precisione. Il procedimento del brevetto ENEA RM2012A000637 è molto utile in questo tipo di applicazione  / Deep learning classifies tissue for precision medicine. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Visione più chiara Gli algoritmi di apprendimento profondo sono stati combinati con la microscopia ottica per analizzare le caratteristiche dei tessuti / Clearer vision Deep learning algorithms have been combined with optical microscopy to analyse tissue characteristics

Algoritmi di apprendimento profondo sono stati addestrati per classificare diversi tipi di tessuto biologico, basandosi esclusivamente sulle risposte ottiche naturali del tessuto alla luce laser. Il lavoro è stato condotto da ricercatori guidati da Travis Sawyer presso l'Università dell'Arizona, negli Stati Uniti, che sperano che il loro nuovo approccio possa essere utilizzato in futuro per diagnosticare malattie utilizzando la microscopia ottica.

La medicina di precisione è un campo in rapida crescita in cui i trattamenti medici sono personalizzati in base alle esigenze individuali dei pazienti, tenendo conto di fattori come la genetica e lo stile di vita. Un aspetto fondamentale di questo processo è la fenotipizzazione, che consiste nell'identificare le caratteristiche molecolari dei tessuti malati.

In precedenza, la fenotipizzazione prevedeva spesso la marcatura dei tessuti con biomarcatori fluorescenti, consentendo ai medici di creare immagini mediche nitide utilizzando la microscopia ottica. Tuttavia, il processo di marcatura dei tessuti è spesso invasivo, costoso e dispendioso in termini di tempo, limitandone l'accessibilità nei trattamenti pratici.

Più recentemente, sono stati compiuti progressi nell'imaging senza marcatori, che consente di fenotipizzare i tessuti osservando come interagiscono con la luce laser. Questo è difficile, tuttavia, perché i tessuti mostrano spesso risposte non lineari complesse alla luce che emettono, profondamente interconnesse con l'ambiente molecolare circostante. Come spiega Sawyer, questo crea una serie di nuove sfide.

Alterazione dell'abbondanza

"In generale, il potenziale dell'imaging senza marcatori è stato limitato dalla mancanza di specificità nella comprensione del segnale misurato", afferma. "Questo perché molti diversi processi patologici di alto livello possono portare a un'alterazione dell'abbondanza di biomarcatori misurabili a valle".

Il gruppo di Sawyer ha affrontato queste sfide esplorando come gli algoritmi di apprendimento profondo potessero essere addestrati a riconoscere queste risposte ottiche non lineari ed ad identificarle nelle immagini microscopiche.

Per farlo, hanno utilizzato una tecnica chiamata trascrittomica spaziale, che mappa le variazioni nei livelli di RNA nei campioni di tessuto. Le molecole di RNA trasportano copie delle istruzioni memorizzate nel DNA, offrendo un'istantanea dell'attività genica in diverse regioni del tessuto.

Oltre ai dati di trascrittomica provenienti da sei diversi tipi di tessuto, il gruppo ha anche analizzato i campioni con due diverse tecniche di microscopia ottica: l'autofluorescenza, che rileva le frequenze specifiche delle molecole eccitate da un laser, fornendo dettagli sulla composizione del tessuto; e la generazione di seconda armonica, che rileva strutture altamente ordinate (come il collagene) catturando i fotoni che emettono ad una frequenza doppia rispetto a quella di una sonda laser.

Corrispondenza uno ad uno

I ricercatori hanno quindi co-registrato queste immagini microscopiche prive di marcatori con i loro dati di trascrittomica spaziale. "Questo ci ha permesso di abbinare in modo univoco la firma trascrittomica di una piccola area di tessuto con una regione di immagine circostante che catturava il microambiente del tessuto", spiega Sawyer. "La firma trascrittomica è stata utilizzata per generare fenotipi tissutali e patologici".

Sulla base di queste misurazioni simultanee, il gruppo ha sviluppato un algoritmo di deep learning in grado di prevedere con precisione i fenotipi unici di ciascun tessuto. Una volta addestrato, il modello è in grado di classificare i tessuti utilizzando solo le immagini microscopiche senza marcatori, senza bisogno di dati di trascrittomica provenienti dai campioni in studio. "Grazie al deep learning, siamo stati in grado di prevedere con precisione i fenotipi tissutali definiti dalla firma trascrittomica con una precisione di quasi il 90% utilizzando immagini microscopiche senza marcatori", afferma Sawyer.

Rispetto ai classici algoritmi di analisi delle immagini, l'approccio basato sul deep learning del gruppo si è rivelato molto più affidabile nel prevedere le caratteristiche dei tessuti. Ciò ha evidenziato la necessità di tenere conto dell'influenza dell'ambiente circostante i tessuti sulle loro risposte ottiche.

Per ora, la tecnica è ancora nelle sue fasi iniziali e richiederà valutazioni su gruppi di pazienti molto più ampi e su altri tipi di tessuti e patologie prima di poter essere applicata clinicamente. Tuttavia, i risultati del gruppo rappresentano un passo promettente verso l'imaging senza marcatori, che potrebbe avere importanti implicazioni per la medicina di precisione.

"Ciò potrebbe portare ad una tecnologia trasformativa che potrebbe avere un impatto clinico importante, consentendo approcci di medicina di precisione, oltre ad applicazioni scientifiche di base, consentendo misurazioni longitudinali e minimamente invasive delle firme biologiche", spiega Sawyer.

La tecnica è descritta in Biophotonics Discovery .

ENGLISH

Deep learning algorithms have been trained to classify different types of biological tissue, based purely on the tissue’s natural optical responses to laser light. The work was done by researchers led by Travis Sawyer at the University of Arizona in US, who hope that their new approach could be used in the future to diagnose diseases using optical microscopy.

Precision medicine is a fast-growing field whereby medical treatments are tailored to individual patients – taking factors like genetics and lifestyle into account. A key part of this process is phenotyping, which involves identifying the molecular characteristics of diseased tissues.

Previously, phenotyping most often involved labelling tissues with fluorescent biomarkers, which allowed clinicians to create clear medical images using optical microscopy. However, the process of labelling tissues is often invasive, expensive and time-consuming, limiting its accessibility in practical treatments.

More recently, advances have been made in label-free imaging, which can phenotype tissues by observing how they interact with laser light. This is difficult, however, because tissues will often display complex nonlinear responses in the light they emit, which are deeply intertwined with their surrounding molecular environments. As Sawyer explains, this creates a whole new set of challenges.

Altering abundance

“In general, the potential of label-free imaging has been limited by a lack of specificity in understanding what is producing the measured signal,” he says. “This is because many different high-level disease processes can lead to an altering abundance of downstream measurable biomarkers.”

Sawyer’s team addressed these challenges by exploring how deep learning algorithms could be trained to recognize these nonlinear optical responses, and identify them in microscopy images.

To do this, they used a technique called spatial transcriptomics, which maps out variations in RNA levels across tissue samples. RNA molecules carry copies of the instructions stored in DNA, offering a snapshot of gene activity in different regions of tissue.

Alongside transcriptomics data from six different types of tissue, the team also probed the samples with two different optical microscopy techniques. These are autofluorescence, which detects the specific frequencies of molecules excited by a laser, providing details on the tissue’s composition; and second harmonic generation, which detects highly ordered structures (such as collagen) by capturing photons they emit at twice the frequency of a laser probe.

One-to-one matching

The researchers then co-registered these label-free microscopy images with their spatial transcriptomics data. “This allowed us to match one-to-one the transcriptomic signature of a small area of tissue with a surrounding image region capturing the microenvironment of the tissue,” Sawyer explains. “The transcriptomic signature was used to generate tissue and disease phenotypes.”

Based on these simultaneous measurements, the team developed a deep learning algorithm that could accurately predict the unique phenotypes of each tissue. Once trained, the model could classify tissues using only the label-free microscopy images, without any need for transcriptomics data from the samples being studied. “Using deep learning, we were able to accurately predict tissue phenotypes defined by the transcriptomic signature to almost 90% accuracy using label-free microscopy images,” Sawyer says.

Compared with classical image analysis algorithms, the team’s deep learning approach was vastly more reliable in predicting tissue characteristics. This showcased the need to account for the influence of tissues’ surrounding environments on their optical responses.

For now, the technique is still in its early stages, and will require assessments with far larger groups of patients, and with other types of tissue and diseases before it can be applied clinically. Still, the team’s results are a promising step towards label-free imaging, which could have important implications for precision medicine.

“This could lead to transformative technology that could have major clinical impact by enabling precision medicine approaches, in addition to basic science applications by allowing minimally invasive and longitudinal measurement of biological signatures,” Sawyer explains.

The technique is described in Biophotonics Discovery.

Da:

https://physicsworld.com/a/deep-learning-classifies-tissue-for-precision-medicine/