Genome Hunter作者Qintong Wu编辑

结合深度学习的成像技术SRH:在手术过程中实现快速脑肿瘤诊断

密歇根大学医学院的神经外科医生和病理学家开发出了一种新方法,将强大的成像技术与深度学习算法结合到了一起,以用于大脑手术期间的自动肿瘤诊断。这种方法能在手术室中实现更快、更安全和更准确的诊断,实现癌症组织和正常组织的辨别。这篇论文发表于《自然生物医学工程(Nature Biomedical Engineering)》。

论文索引:doi:10.1038/s41551-016-0027

研究目的

在手术过程中,神经外科医生会尽量去除尽可能多的肿瘤,同时尽可能地保留健康的大脑组织。但是,在移除一处大脑肿瘤之后,他们需要等待至少 30 分钟才能得到病理学分析结果。在这期间,组织会被送入病理学实验室,然后工作人员对其进行处理、切片、染色,再用显微镜检查。手术室中的神经外科医生需要等待病理学分析结果,以便做出更好的决策。

为了缩短这一过程,该论文提出了一种新方法,能够在手术室中就实现更快更准确的诊断——将原来的 30 分钟缩短到大约 3 分钟。这种新方法能够缩短手术时间、节省金钱和降低病人面临的风险。该方法名为受激拉曼组织学(SRH/ Stimulated Raman Histology),将来自 SRH 的图像与一个能自动分类这些图像的计算机程序结合到了一起(如图 1),能够在手术室中执行快速诊断。

图 1:手术室中的 SRH 系统

SRH——新成像技术

SRH 背后的原理是受激拉曼散射(SRS),这是一种无需组织处理、切片和染色就能进行显微成像的方法。但是,对于手术室而言,SRS 显微镜太大了,而且过于昂贵。而且,SRS 中使用的激光也不适合在手术室中使用。针对这一情况,这篇论文的作者将其换成了光纤激光显微镜,从而创造出了一种便携式的、安全的且高分辨率的系统 SRH。SRH 可以生成类似于传统方法的图像(图 2)。因此,病理学家可以轻松解读 SRH 得到的图像,将肿瘤组织和正常脑组织区分开。

图 2:来自 SRH 和传统方法(H&E)的脑肿瘤样本图像

为了验证 SRH 的结果,研究者将 SRH 和传统方法得到的标本样本图像提供给了三位神经病理学家进行诊断。这些神经病理学家对每位病人的病史和肿瘤位置的信息都是一样的。不管是用 SRH,还是传统图像,这些神经病理学家的诊断结果都几近完美。这些结果说明 SRH 方法可用于实现准确的诊断(图 3)。

图 3:神经病理学家使用 SRH 和传统方法得到的图像的诊断结果

结合深度神经网络

更进一步,研究者还开发了一个基于 SRH 图像的自动诊断计算机程序,其中使用了机器学习算法多层感知器(MLP)。MLP 是一种前馈式人工神经网络模型,易于迭代,且能够区分非线性相关性,而且使用当前的计算能力就能有效实现。MLP 由 3 层或更多层(这里使用了 8 层)节点构成,并被看作是一种深度神经网络(图 4)。

图 4:MLP 中的深度神经网络的结构

研究者使用 SRH 得到了来自 101 位病人的 12879 张图像,并为每张图像计算了 2919 个图像属性。然后,研究者归一化处理了这些图像属性,并将其输入了 MLP 进行模型训练——通过反向传播算法最小化预测诊断结果和观察诊断结果之间的差异。这个 MLP 的开发使用了两个软件库:Theano 和 Keras。

然后,研究者使用了仅保留一个结果的方法来测试这个 MLP 模型的准确度。结果表明,这个模型能够准确预测样本的诊断亚型,即使对于具有高组织结构异质性的样本也是如此。另外,研究者还通过神经病理学家诊断过的一个样本测试集评估了该模型的准确度。整体而言,这个 MLP 模型能够以 90% 的准确度预测脑肿瘤亚型(图 5)。

图 5:这个 MLP 模型的预测准确度。NL:非病变;LGG:低级别脑胶质瘤;HGG:高级别脑胶质瘤;NG:非神经胶质瘤

未来研究方向

当前模型的准确度还可以通过输入更多训练数据来进一步提升。未来,SRH 系统可以辅助手术过程中的医疗决策,尤其可以帮助没有有经验的病理学医生在岗的医疗中心。除了脑肿瘤之外,预计 SRH 系统也可用于其它肿瘤类型。

参考文献

Orringer DA et al. (2017) Rapid intraoperative histology of unprocessed surgical specimens via fibre-laser-based stimulated Raman scattering microscopy. Nature Biomedical Engineering.

技术分析医疗健康AI+医疗深度学习
1
暂无评论
暂无评论~