本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
事实核查
同行评审的出版物
可信来源
校对
加州大学洛杉矶分校 (UCLA) 的研究人员在成像和成像方面开创了一种突破性方法。检测组织样本中的淀粉样蛋白沉积物。该创新方法利用深度学习和自发荧光显微镜来实现虚拟双折射成像和组织学染色，无需偏振成像和刚果红等传统化学染色剂。
系统性淀粉样变性，一种以错误折叠积累为特征的疾病器官和组织中的蛋白质，提出了重大的诊断挑战。淀粉样变性每年影响数百万人，如果不及早诊断和治疗，通常会导致严重的器官损伤、心力衰竭和高死亡率。
传统上，偏光显微镜下的刚果红染色一直是金标准用于可视化淀粉样蛋白沉积物。然而，这种方法是劳动密集型的、成本高昂的，并且容易发生变化，可能导致错误诊断。
《自然通讯》详细介绍了这项新技术，它利用单个神经网络来转换标签的自发荧光图像该技术在心脏组织样本上进行了测试，表明虚拟染色图像提供了一致且可靠的识别与传统方法相比，淀粉样蛋白模式，也消除了对化学染色和专门的偏光显微镜的需要，有可能加快诊断速度并降低成本。
这种虚拟染色过程不仅匹配，而且在某些情况下甚至超越了质量经加州大学洛杉矶分校、南加州大学和哈达萨希伯来大学医学中心的多位委员会认证病理学家验证。
Dr.该研究的资深作者、加州大学洛杉矶分校 Volgenau 工程创新主席 Aydogan Ozcan 解释说：“我们的深度学习模型可以执行自发荧光到双折射和自发荧光到明场图像转换，提供可靠、一致和可靠的图像转换。”传统组织学方法的经济有效的替代方案。
“这一突破可以大大提高淀粉样变性诊断的速度和准确性，降低假阴性的风险并改善患者的治疗结果。”
研究结果表明，这种虚拟染色方法可以无缝集成到现有的临床工作流程中，从而促进数字病理学的更广泛采用。该方法不需要专门的光学组件，并且可以在标准数字病理扫描仪上实施，使其可供广泛使用。医疗保健机构。
“这项创新代表了淀粉样变性病理学领域向前迈出的重要一步，”Ozcan 博士说。“它不仅简化了诊断过程，而且还具有扩大数字病理学在常规临床实践中使用的潜力，特别是在资源有限的环境中。”
研究人员计划将他们的评估扩展到其他组织类型，例如肾脏、肝脏和脾脏，以进一步验证该模型在不同淀粉样变性表现中的临床实用性。他们还旨在探索自动检测系统的开发，以协助病理学家识别有问题的区域，从而有可能提高诊断准确性并减少假阴性。
更多信息：Xilin Yang 等人，虚拟双折射成像和组织学染色使用自发荧光显微镜和深度学习在无标记组织中沉积淀粉样蛋白，Nature Communications（2024）。DOI：10.1038/s41467-024-52263-z