Направление применения:

Технология гиперспектральной визуализации открывает широкие перспективы применения в области медицинской диагностики. Гиперспектральная визуализация позволяет одновременно получать пространственную и спектральную информацию о тканях на одном изображении, выявлять микрооптические характеристики клеток и тканей в разных диапазонах и достигать неинвазивного и количественного распознавания пораженных тканей. Его применение в области медицинской диагностики в основном включает в себя: полипы прямой кишки и оптическую диагностику предраковых поражений, реализацию эндоскопии аденомы и неопластического * мяса в режиме реального времени; Быстрая идентификация тканей и локализация кромок во время операции, чтобы помочь врачу точно удалить очаг; Патологический анализ с автоматическим профилированием и т.д.

Справочная информация:

Колоректальный рак является второй по величине причиной смерти от рака во всем мире, и ключом к профилактике и контролю является раннее выявление и удаление предраковых поражений - полипов толстой кишки. В настоящее время колоноскопия считается первым * способом профилактики позднего колоректального рака и снижения смертности. Однако в ходе фактического обследования большинство обнаруженных полипов были меньшими по размеру (6 - 9 мм в диаметре) или минимальными (1 - 5 мм), при этом доля с повышенными патологическими признаками или канцерогенным потенциалом была крайне низкой. Традиционная практика заключается в удалении всех полипов и параллельном патологическом тестировании, но это увеличивает затраты и рабочую нагрузку. С этой целью предлагается стратегия « удаления и отбрасывания», основанная на оптической диагностике, то есть использование высокоточной технологии эндоскопической визуализации для точного определения свойств полипов под эндоскопией, тем самым устраняя часть патологического обнаружения.

Тем не менее, существующие технологии оптической диагностики (такие как узкополосная визуализация NBI, Blu - ray Imaging BLI и т. Д.) по - прежнему ограничены в клинической практике: точность зависит от опытных эндоскопов,Плохая диагностика у новичков; В то же время, хотя искусственный интеллект использовался для поддержки идентификации полипов, его продвижение по - прежнему затруднено из - за таких проблем, как недостаточная специфичность, плохая интерпретируемость моделей и большая гетерогенность данных обучения.

Для преодоления этих трудностей в исследовании была внедрена технология гиперспектральной визуализации. Эта технология сочетает цифровую визуализацию с спектральным анализом, захватывая морфологические и спектральные характеристики ткани одновременно на каждом пиксельном уровне, получая богатую спектральную информацию, отражающую биохимический состав ткани и патологические изменения. По сравнению с традиционными RGB - изображениями, гиперспектральные изображения могут выявить невидимые различия в тканях невооруженным глазом, обеспечивая новую основу для распознавания гистологических свойств и патологической классификации.

Информация автора:Пэнчэн, больница Цилу, Шаньдунский университет

Источник журнала:Медицина рака

Содержание исследования

Целью исследования является разработка и проверка алгоритма классификации полипы толстой кишки на основе гиперспектральной визуализации и глубокого обучения (остаточные сети, обучение миграции) для быстрого разделения опухолевого и неоплазного * мяса при эндоскопии, что способствует посадке стратегии « удаления и отбрасывания» с помощью искусственного интеллекта, повышает точность диагностики и снижает медицинские расходы.

Экспериментальное проектирование

Во время работы колоноскопии все полипы сначала удаляются с помощью холодной ловушки (CSP); Для небольших очагов с диаметром 3 мм и технической сложностью CSP их полностью зажимают щипцами для биопсии. В это исследование включены только свежие образцы слизистой оболочки полипа < 1 см; Для того, чтобы модель усвоила патологические особенности более высокого порядка, она синхронизируется с биопсией опухоли в прогрессирующем периоде. Как только полипы или поражения удаляются / зажимаются, они немедленно изображаются с помощью гиперспектральной (HS) камеры в соответствии со стандартизированной операцией, краткий процесс показан на рисунке 1A.

Для сбора данных гиперспектральных изображений используется оборудование GaiaMicro - V10 E - HR с биполярным спектром, которое включает в себя гиперспектральные камеры серии GaiaMicro, микроскопы, калибровочные доски, системные стабилизаторы и микроскопические объективы. Серия Gaia Micro включает в себя встроенные гиперспектральные камеры с толкающим приводом, которые могут перемещать пространство для получения кубиков гиперспектральных данных. Изображения собираются с пространственным размером 1101 строки, в результате чего получается 960 × 1101 × 360 (число строк х число строк х число полос х число диапазонов).

Все образцы колоректального полипа были закреплены формалином, нарезаны парафиновым пакетом и окрашены H & E. Два опытных патологоанатома проводят независимый анализ и ставят окончательный диагноз в соответствии со стандартами классификации колоректальных опухолей Всемирной организации здравоохранения. Согласно консенсусу Рабочей группы по колоректальному раку Американского общества, образцы были разделены на две основные категории: неопластические и опухолевые, в которых опухолевые поражения далее подразделяются на прогрессирующие аденомы и прогрессирующие опухоли.

Методы исследования

Чтобы сбалансировать количество образцов с различными гистологическими метками, мы внедрили улучшения данных для каждой категории: расширение гиперспектральных изображений с несколькими полями зрения, случайно выбранных для каждого образца. В ответ на проблему высоких измерений гиперспектральных данных и больших вычислений мы извлекаем спектральную и пространственную информацию из оригинального гиперспектрального куба и реконструируем ее в двумерное (2D) изображение; На рисунке 1B наглядно показано соответствие одномерного спектра 2D - изображениям. Каждое изображение HS может генерировать 900 2D - изображений.

Исследование основано на модели обучения двухмерной сверточной нейронной сети (2D CNN) для достижения автоматической классификации изображений колоректальных поражений. Эта сеть позволяет проводить комплексный анализ характеристик тканей в сочетании со спектральной и пространственной информацией выборки. Чтобы преодолеть градиентное исчезновение и деградацию сети, которые могут возникнуть, когда традиционные сверточные нейронные сети углубляются в слои сети, и еще больше улучшить производительность модели, в исследовании была использована структура остаточной сети (ResNet). Это метод адаптации существующих параметров модели к новым задачам или характеристикам данных путем их точной настройки. В этом исследовании исследователи использовали стратегию обучения миграции, чтобы загрузить предварительно обученные параметры модели ResNet в качестве первоначального веса, а затем добавить полный слой соединения в конце модели и воссоздать все слои сети, чтобы повысить способность модели распознавать полипы колоректального кишечника различных патологических типов (как показано на рисунке 1B).

Рисунок 1. Схема гиперспектральной визуализации и спектроскопического анализа свежих полипов в экспериментальном проектировании и рабочем процессе (А) колоноскопии. (В) Спектрально - пространственные свойства гиперспектрального куба, преобразование куба в двумерное изображение и представление архитектуры модели остаточной нейронной сети. (С) Оценка способности эндоскопического эндоскопического изображения белого света к оптической диагностике эндоскопическим врачом через две недели после вспомогательной диагностики HSI - AI.

Для оценки диагностических способностей эндоскопов к микроскопическим и микроскопическим полипам в исследовании были приглашены четыре старших эндоскопа (в совокупности > 2000 скрининговых колоноскопий) и шесть младших эндоскопов (в совокупности 200 - 400 случаев). Тестирование проводилось в форме вопросника, основанного на изучении белых эндоскопических изображений концентрированных очагов. Для оценки эффективности дополнительной диагностики у младшего эндоскопического врача и специализированного эндоскопического врача изображение дважды пересматривается, сначала проводится независимое тестирование у эндоскопического врача, а затем сообщается прогноз модели HSI - AI до окончательного диагноза эндоскопического врача, называемого вспомогательным диагностическим тестом HSI - AI, с интервалом в 2 недели между двумя испытаниями и сравнивается конечный результат.

Оценка диагностических свойств модели путем смешения матрицы (confusion matrix). Коэффициент точности (Accuracy) - доля классификационной модели, правильно классифицированной во всех наблюдаемых образцах. Для полной оценки производительности модели были также рассчитаны чувствительность (sensitivity), специфичность (specificity), положительные прогнозы (PPV), отрицательные прогнозы (NPV) и общая диагностическая способность модели была отражена с помощью рабочей характеристической кривой субъекта (ROC curve) и его площади под кривой (AUC). Вторичные оценочные показатели включают диагностические результаты первичных и специализированных эндоскопов, а также вспомогательную эффективность гиперспектральных моделей искусственного интеллекта (HSI - AI) для их диагностики. Диагностические показатели всех эндоскопических врачей выражаются в медианном (median) и квартильном расстоянии (IQR). Используйте тест Mann - Whitney U для сравнения различий между независимой диагностикой и вспомогательной диагностикой HSI - AI, двустороннейpЗначение менее 0,05 считается статистически значимым.

результат

В общей сложности 94 образца тканей были включены в 73 пациента (64 из полиомиелита и 30 из биопсии). Результаты патологоанатомической экспертизы показали, что 53 образца были гетерогенными трубчатыми аденомами низкого уровня (неинвазивная аденома, NAA), 28 - неоплазными * мясными (NNP) и 13 - прогрессирующими опухолями (AN), в том числе 6 - гетерогенными трубчатыми аденомами высокого уровня, 3 - пуховидными аденомами и 4 - аденокарциномами. После улучшения данных из 161 гиперспектрального изображения было создано 144 900 двумерных изображений, разделенных на учебные, тестовые и проверочные наборы в соотношении 6: 3: 1.

Сравнение типичных спектральных кривых различных типов тканей показало, что спектральные формы и пиковые размеры трех типов тканей (NNP, NAA, AN) в диапазоне длин волн 406,9 - 662,1 нм значительно различаются. Результаты показали, что разница в альбедо трех типов тканей на длине волны 575 нм имеет высокостатистическое значение (p < 0.001), что указывает на то, что гиперспектральная визуализация может эффективно различать различные типы тканевой патологии.

Для проверки достоверности данных и изучения релевантности двумерных изображений были проведены два набора модельных экспериментов. В первой группе моделей исследователи тренировались после того, как двумерные изображения были случайным образом нарушены без учета индивидуальных различий между образцами. Результаты показали, что модель достигла более высокой точности в каждой группе с AUC 0,97 и 0,96 соответственно для учебных и тестовых наборов, что свидетельствует о хорошей корреляции и согласованности между спектральными изображениями в разных областях одного и того же образца (рис. 2А).

Рисунок 2 Результаты обучения, проверки и тестирования нейронных сетей для автоматической диагностики остатков нейронных сетей (A, B) на основе гиперспектральных изображений в рамках трех классификаций неопластических полипов / неоплазных аденом / прогрессирующих опухолей. (C, D) Сравнение производительности различных моделей нейронных сетей в задачах автоматической классификации.

Во второй группе моделей исследователи проверили данные на отдельных пациентах, сгруппировав данные по образцам и создав двумерные изображения. Если более 80% двухмерных изображений, сгенерированных одной и той же выборкой, были правильно классифицированы, выборка была признана правильной для прогнозирования. Модель показала отличные результаты по классификации трех типов организаций (NNP, NAA, AN) с общей точностью 95,8% и средним AUC 0,97. Среди них прогнозируемая чувствительность к опухолевым поражениям (включая NAA и AN) составляет 99,0%, а специфичность - 96,0%, что свидетельствует о том, что модель имеет * высокий диагностический потенциал для идентификации опухолевых и неоплазных * мяса.

Оценивая диагностические результаты белых фотоэндоскопических изображений, в исследовании сравнивались различия между онкогенными и неопластическими * мясами у врачей, работающих с искусственным интеллектом. На стадии независимой диагностики опытные специалисты - эндоскописты диагностируют опухолевое * мясо с точностью до 91,1% по сравнению с 71,4% у врачей первичного звена. В тестовой концентрации модель HSI - AI классифицировала каждое опухолевое * мясо, и только один случай прогрессирующей аденомы (NAA) был ошибочно признан прогрессирующей опухолью (AN). С помощью модели HSIAI общая медианная точность первичного эндоскопического врача увеличилась до 94,7%, что приближается к уровню старшего врача. Собственный контроль показал значительные различия в диагностической работе между первичными группами до и после помощи ИИ (p < 0,01), в то время как старшие группы не имели статистических различий (p = 0,63). Что касается отрицательных прогнозных значений (NPV), то несколько первичных врачей после помощи ИИ более 90%, что соответствует требованиям стратегии PIVI « Удаление - отбрасывание»; Общий медианный NPV в первичной группе подскочил с 50,0% до 88,2% (p = 0013). Остальные диагностические показатели также были полностью * улучшены, и конкретные данные о первичном медико - санитарном обслуживании приводятся на диаграмме 3.

Рисунок 3 Сопоставление диагностических свойств опухолевых и неоплазных колоректальных полипов у первичного эндоскопического врача под белым эндоскопическим изображением без помощи (слева) и HSI - AI (справа)

заключение

Данное исследование подтверждает, что использование гиперспектральной визуализации (HSI) позволяет с высокой точностью различать аденомы и аденомы на свежих тканях толстой кишки и дополнительно идентифицировать прогрессирующие опухоли. Инструмент значительно повышает уровень диагностики у первичных эндоскопов и демонстрирует потенциал синхронизации диагностики с помощью ИИ и колоноскопии в реальном времени.