Ein internationales Forschungsteam unter der Leitung von KAIST hat eine bahnbrechende Technologie entwickelt, die über traditionelle Methoden der Betrachtung dünn geschnittenen und gefärbten Krebsgewebes hinausgeht. Diese Innovation nutzt fortschrittliche optische Techniken in Kombination mit einem auf künstlicher Intelligenz basierenden Deep-Learning-Algorithmus, um realistische, virtuell gefärbte 3D-Bilder von Krebsgewebe zu erstellen, ohne dass serielle Schnitte oder Färbungen erforderlich sind. Dieser Durchbruch dürfte den Weg für die nächste Generation nicht-invasiver pathologischer Diagnostik ebnen.
Seit über 200 Jahren beruht die konventionelle Pathologie auf der Betrachtung von Krebsgewebe unter dem Mikroskop. Diese Methode zeigt jedoch nur bestimmte Querschnitte des dreidimensionalen Krebsgewebes. Dies schränkt das Verständnis der dreidimensionalen Verbindungen und räumlichen Anordnungen zwischen Zellen ein.
Um dieses Problem zu lösen, nutzte das Forschungsteam die Holotomografie (HT), eine fortschrittliche optische Technologie, um den dreidimensionalen Brechungsindex von Gewebe zu messen. Anschließend integrierten sie einen KI-basierten Deep-Learning-Algorithmus, um erfolgreich virtuelle H&E*-Bilder zu generieren.
* H&E (Hämatoxylin und Eosin): Die am häufigsten verwendete Färbemethode zur Beobachtung pathologischen Gewebes. Hämatoxylin färbt Zellkerne blau und Eosin das Zytoplasma rosa.
Das Forschungsteam konnte quantitativ nachweisen, dass die mit dieser Technologie erzeugten Bilder den tatsächlichen gefärbten Gewebebildern sehr ähnlich sind. Darüber hinaus zeigte die Technologie eine konsistente Leistung in verschiedenen Organen und Geweben und stellte damit ihre Vielseitigkeit und Zuverlässigkeit als pathologisches Analyseinstrument der nächsten Generation unter Beweis.
Darüber hinaus konnte das Team durch gemeinsame Forschung mit Krankenhäusern und Forschungseinrichtungen in Korea und den USA unter Einsatz der Holotomographie-Ausrüstung von Tomocube die Durchführbarkeit dieser Technologie bestätigen und so das Potenzial dieser Technologie für den umfassenden Einsatz in realen pathologischen Forschungsumgebungen unter Beweis stellen.
