Label-vrije virtuele veelkleurige kleuring van hele slides met dual-excitatie photon-absorptie remote sensing-microscopie

Weefsels bekijken zonder ze te vernietigen

Wanneer artsen ziekten diagnosticeren, zoals kanker of nierschade, vertrouwen zij vaak op dunne weefselsneden die met chemische kleurstoffen zijn doordrenkt. Deze kleurstoffen onthullen verborgen structuren maar veranderen of verbruiken het monster permanent, wat problematisch kan zijn als slechts een kleine biopsie beschikbaar is. Deze studie introduceert een manier om weefsel “digitaal te kleuren” met licht en kunstmatige intelligentie, waardoor bekende pathologiebeelden ontstaan zonder enige kleurstof toe te voegen.

Waarom traditionele kleurstoffen een dubbelzinnig voordeel zijn

Chemische kleurstoffen zoals hematoxyline en eosine, of speciale kleuringen voor collageen, koolhydraten en nierstructuren, zijn de werkpaarden van de moderne pathologie. Ze maken doorzichtig weefsel zichtbaar en zijn onmisbaar voor het diagnosticeren van kanker, infecties en orgaanschade. Maar deze kleuringen zijn destructief: dezelfde sectie kan meestal niet opnieuw gekleurd of gebruikt worden voor geavanceerde tests, en meerdere kleuringen verbruiken snel kostbaar biopsiemateriaal. Elke kleuring vereist ook zorgvuldig laboratoriumwerk, getraind personeel en kan uren of dagen toevoegen aan de tijd tot een diagnose beschikbaar is.

Lichtgebaseerde beeldvorming die het weefsel zelf leest

De onderzoekers gebruikten een gespecialiseerde microscoop genaamd Photon Absorption Remote Sensing (PARS), die meet hoe weefselmoleculen energie uit ultraviolet licht absorberen en weer afgeven. In dit werk combineerden ze twee ultravioletkleuren, één met een kortere golflengte en één iets langere, en stuurden ze die in een afgewisseld patroon naar precies dezelfde plek in het weefsel. Iedere puls produceert zowel warmtegerelateerde signalen als zwakke emissies die op gloed lijken, waardoor vier verschillende informatiekanalen van dezelfde locatie ontstaan. Eén golflengte is bijzonder gevoelig voor DNA in celkernen, terwijl de andere collageen, elastine, rode bloedcellen en donkere pigmenten zoals melanine benadrukt. Samen kaarten ze kernen, ondersteunend weefsel, bloed en pigment uit op manieren die lijken op — en zelfs verder gaan dan — wat pathologen zien met traditionele kleuringen.

Computers leren virtuele kleuringen te schilderen

Het verzamelen van rijke optische signalen is slechts de helft van het verhaal; de andere helft is ze omzetten naar beelden die eruitzien als standaard gekleurde slides. Hiervoor gebruikte het team een deep-learningraamwerk genaamd RegGAN. Ze maakten eerst beelden van niet-gekleurde weefsels met PARS, kleuren daarna dezelfde glaasje chemisch en scanden het met een gewone brightfield-scanner. Na het zorgvuldig uitlijnen van deze gepaarde beelden trainden ze neurale netwerken om de multi-channel PARS-beelden te transformeren naar versies die specifieke kleuringen nabootsen, waaronder routinematig hematoxyline en eosine evenals Masson’s trichrome, PAS en Jones methenamine silver. Voor elke kleuring werden afzonderlijke modellen getraind, zodat één label-vrije inputslide later op verzoek op meerdere manieren “virtueel opnieuw gekleurd” kon worden.

Wat de virtuele slides onthullen

Over menselijk en muizenweefsel heen — inclusief nierkankers, melanoom, schimmelinfecties van de huid en normale organen — volgden de virtuele kleuringen nauwkeurig hun chemische tegenhangers. Tumorgrenzen, kernvormen, collageenrijke littekenvorming, rode bloedcellen, schimmelhyfen en fijne nierstructuren verschenen allemaal met hoge getrouwheid wanneer beide ultravioletgolflengten samen werden gebruikt. Kwantitatieve beeldkwaliteitsmetingen bevestigden dat het combineren van de twee excitatiebronnen beter presteerde dan het gebruik van één enkele, vooral voor structuren zoals collageen, bloedcellen en schimmelelementen die vertrouwen op het extra contrast van de langere golflengte. In een kleine geblindeerde studie beoordeelden drie ervaren pathologen zowel echte als virtuele beelden voornamelijk als goed of uitstekend voor visuele diagnostische kwaliteit, en zij konden niet betrouwbaar onderscheiden welke beelden chemisch gekleurd waren en welke virtueel.

Sterke punten, beperkingen en toekomstig potentieel

Hoewel veelbelovend is de methode nog niet klaar om routinematige slidescanners te vervangen. Het huidige PARS-systeem is traag en doet er uren over om hetzelfde gebied te bestrijken dat een klinische scanner in enkele minuten kan vastleggen, en alle data kwamen van één beeldvormingsopstelling en één kleurlaboratorium. De evaluatie concentreerde zich op visuele overeenkomsten en selecteerbare meetbare kenmerken, in plaats van volledige klinische besluitvorming over veel patiënten en centra. Niettemin biedt de benadering een uniek voordeel: omdat de label-vrije beeldvorming het weefsel niet beschadigt, kan dezelfde slide later met traditionele kleurstoffen worden gekleurd of gebruikt voor moleculaire tests, en kunnen meerdere virtuele kleuringen worden gegenereerd uit één enkele scan.

Wat dit betekent voor patiënten en artsen

Simpel gezegd toont deze studie aan dat het mogelijk is weefsel alleen met licht te "lezen" en vervolgens kunstmatige intelligentie te gebruiken om de vertrouwde kleuren en patronen die pathologen vertrouwen, te recreëren — inclusief meerdere verschillende kleuringen uit één sectie. Het dual-color PARS-systeem levert voldoende informatie om kernen, ondersteunend weefsel, bloed, pigment en gespecialiseerde nierstructuren virtueel te benadrukken zonder een druppel kleurstof aan te raken. Met snellere hardware en grotere, multicenterstudies zou deze technologie een krachtig hulpmiddel kunnen worden naast standaardpathologie, kostbare biopsieën sparen en pathologen een rijkere, niet-destructieve kijk op ziekte bieden.

Bronvermelding: Tweel, J.E.D., Ecclestone, B.R., Tummon Simmons, J.A. et al. Label-free whole slide virtual multi-staining using dual-excitation photon absorption remote sensing microscopy. npj Imaging 4, 22 (2026). https://doi.org/10.1038/s44303-026-00154-x

Trefwoorden: virtuele kleuring, label-vrije microscopie, digitale pathologie, ultraviolet beeldvorming, deep learning in histologie