Hoe kan hyperspectrale beeldvorming ervoor zorgen dat pathologische secties afscheid kunnen nemen van kleuring? Dit onderzoek levert een nieuw spoor op

Bij de traditionele pathologische diagnose moet een borstkankerweefselmonster meer dan tien processen ondergaan, zoals fixatie, inbetrekking, sectiëren en kleuren.Van de levering van het monster tot de afgifte van het verslagIn de fase van de intraoperatieve bevroren sectie moeten patiënten vaak in een staat van anesthesie wachten.en de verkorting van deze tijd is cruciaal voor de chirurgische veiligheid.

Een recent in "Scientific Reports" gepubliceerde studie probeert een "label-free,"de techniek van de "vlekvrij" techniek in combinatie met deep learning algoritmen om een nieuwe oplossing te bieden voor dit klinische pijnpunt..

Wanneer pathologische beelden hun kleur verliezen

De patologische afbeeldingen die ons bekend zijn, worden na H&E-verf meestal in blauw-paarse tinten weergegeven, met duidelijke grenzen tussen de celkern en het cytoplasma.Microscopische hyperspectrale beeldvorming (MHSI) -technologie kan 128 banden spectrale informatie verkrijgen van zichtbaar licht tot nabij-infrarood (397-1032 nm) door weefsels secties te scannen zonder enige kleur.

De directe uitdaging die deze "vlekvrije" toestand met zich meebrengt, is dat de beelden geen morfologisch contrast hebben, waardoor het voor het menselijk oog moeilijk is om ze rechtstreeks te interpreteren.Het voordeel van hyperspectrale gegevens ligt in het feit dat het continue spectrale curves registreert voor elk pixelpunt., en verschillende biochemische componenten (zoals eiwitten, lipiden, nucleïnezuren) zullen bij specifieke golflengten gedifferentieerde reflectiekarakteristieken vertonen.Hoe informatie met diagnostische waarde uit zulke hoogdimensionale en zwak morfologische gegevens te extraheren is een nieuw onderwerp geworden in de computationele pathologie.

Transformatie van "sectie-diagnose" in "meerdere instanties leren"

Het onderzoeksteam bouwde een hyperspectrale dataset met 468 weefselsecties van 60 borstkankerpatiënten.Verschillend van traditionele methoden die op lokale gezichtsvelden voorspellen op één punt, hebben de onderzoekers de pathologische diagnose gemodelleerd als een Multi-Instance Learning (MIL) probleem: het behandelen van een geheel weefselgedeelte als een "zak","en de spectrale kubussen verzameld uit 20 verschillende regio's op de sectie als "instanties" in de zakHet model moet de informatie van alle gevallen samenvoegen om het diagnostische resultaat voor de gehele sectie te produceren.

Deze aanpak is dichter bij de werkelijke beeldleeslogic van pathologen, die eerst wereldwijd onder een microscoop met een laag vermogen bladeren en zich vervolgens richten op verdachte gebieden voor een uitgebreid oordeel.

Meerdere niveaus "aandachtsmechanisme"

Met het oog op de kenmerken van hyperspectrale gegevens stelde het team een Multi-Scale Hierarchical Attention Network (MS-HAN) voor, waarvan het kernontwerp drie belangrijke niveaus omvat:

1.Multi-scale feature extraction haalt lessen uit de Inception-structuur, waarbij verschillende groottes van samenvouwingskernen parallel bij dezelfde ruimtelijke resolutie worden gebruikt om features te extraheren,om multigranulariteitsinformatie te vangen van subtiele spectrale verschillen tot lokale textuurpatronen.

2.Dual Attention-mechanisme modelleert eerst expliciet de afhankelijkheden tussen banden door middel van spectraal kanaal-aandacht, waardoor banden met rijkere informatie hogere gewichten krijgen;genereert vervolgens een tweedimensionale warmte kaart door ruimtelijke aandacht om gebieden met diagnostische waarde te lokaliseren in termen van celmorfologie zonder afhankelijk te zijn van etikettering op pixelniveau.

3.Hiërarchische aggregatie en prototype leren.Om de hoge variabiliteit binnen de klasse in biologische spectra aan te pakken, introduceert het model een reeks leerbare "prototypevectoren", die in de eerste plaats worden gebruikt om de verschillende soorten van prototypes te identificeren." soft-toewijzing van instanties aan deze prototypes, en voorkomt mode-collapse door de entropie van de prototype-gebruiksverdeling te beperken.een mechanisme voor zelf-aandacht wordt gebruikt om de afhankelijkheden tussen verschillende regio's binnen de sectie te modelleren, het verkrijgen van de vertegenwoordiging van de gehele sectie door middel van het bundelen van aandacht.

Onder zwak begeleide training waarbij alleen etiketten op sectieniveau werden gebruikt, bereikte het model een nauwkeurigheid van 86,7% en een AUC van 0,92 op een onafhankelijke testset (94 secties).met een statistisch significante verbetering in vergelijking met de reguliere MIL-baseline modellen zoals TransMIL en CLAM.

Het weglaten van de kleuringsfase en de compressie van de tijdskosten

Het voetstuk van dit onderzoek is niet om pathologen te vervangen, maar om een workflow van "optische sectie" plus "AI primaire screening" te verkennen." Het weglaten van de kleuringsstap betekent niet alleen een vermindering van de kosten van reagentia en verbruiksmaterialenHet is niet alleen belangrijk dat de resultaten van het onderzoek worden geanalyseerd, maar ook dat het tijdsvenster van de bemonstering tot de digitale diagnose aanzienlijk wordt verkort.Deze "cut-scan-analyze" modus zal naar verwachting de wachttijd verkorten voor patiënten onder anesthesie..

Dit onderzoek bevindt zich natuurlijk nog in de proof-of-concept fase.en de prestaties van het model in het gezicht van de voorbereiding artefactenHet is echter belangrijk om te weten of de gegevens van de onderzoeksgroep van de Europese Commissie, de Commissie en het Europees Parlement in overeenstemming zijn met de aanbevelingen van de Commissie.De overstap van het laboratorium naar de afdeling routine pathologie vereist nog steeds overwegingen op het niveau van engineering en gezondheidseconomie..