Hiperspektral görüntüleme, patolojik kesimlerin boyama ile vedalaşmasına nasıl olanak sağlayabilir?

Geleneksel patolojik teşhislerde, meme kanseri doku örneği sabitleme, gömme, bölümleme ve boyanma gibi ondan fazla işlemden geçmelidir.Örnek teslimatından rapor vermeye kadarOperasyon içi donmuş kesim aşamasında, hastaların genellikle anestezi bekleme durumunda olması gerekir.Ve bu süreyi kısaltmak cerrahi güvenlik için çok önemlidir..

Son zamanlarda "Scientific Reports" dergisinde yayınlanan bir çalışma "etiketsiz,Bu klinik ağrı noktasına yeni bir çözüm sağlamak için derin öğrenme algoritmaları ile birleştirilmiş.

Patolojik görüntüler renk kaybettiğinde

Bildiğimiz patolojik görüntüler genellikle hücre çekirdeği ve sitoplazması arasındaki net sınırlarla H&E boyanmasından sonra mavi-mor tonlarda sunulur.Mikroskopik Hiperspektral Görüntüleme (MHSI) teknolojisi, herhangi bir boyanma olmadan doku kesimlerini tarayarak görünür ışıktan yakın kızılötesiye (397-1032 nm) kadar 128 bant spektral bilgi elde edebilir.

Bu " lekesiz " durumun getirdiği doğrudan zorluk şudur: görüntülerin morfolojik kontrastları yoktur, bu da insan gözünün doğrudan yorumlamasını zorlaştırır.Hiperspektral verilerin avantajı, her piksel noktası için sürekli spektral eğri kaydetmesidir., ve farklı biyokimyasal bileşenler (proteinler, lipidler, nükleik asitler gibi) belirli dalga boylarında farklı yansıma özellikleri gösterecektir.Bu tür yüksek boyutlu ve zayıf morfolojik verilerden teşhis değerine sahip bilgileri nasıl çıkaracağımız, bilgisayar patolojisinde yeni bir konu haline geldi..

"Bölüm teşhisini" "çok örnekli öğrenmeye" dönüştürmek

Araştırma ekibi, 60 meme kanseri hastasından 468 doku kesimi içeren hiperspektral bir veri kümesi oluşturdu.Yerel görüş alanlarında tek nokta öngörü yapan geleneksel yöntemlerden farklı, araştırmacılar patolojik teşhisi çoklu örnek öğrenme (MIL) problemi olarak modelledi: tüm bir doku bölümünü "torba" olarak tedavi etmek," ve kesimdeki 20 farklı bölgeden toplanan spektral küpler çanta içindeki "örnekler" olarakModel, tüm bölüm için teşhis sonucunu çıkarmak için tüm vakaların bilgilerini sentezlemesi gerekir.

Bu yaklaşım, patologların gerçek görüntü okuma mantığına daha yakındır. Önce düşük güçlü bir mikroskop altında küresel olarak taramak ve daha sonra kapsamlı bir yargı için şüpheli alanlara odaklanmak.

Çok seviyeli "düşünce" mekanizması

Hiperspektral verilerin özelliklerine odaklanan ekip, temel tasarımı üç temel seviyeyi içeren çok ölçekli Hiyerarşik Dikkat Ağı (MS-HAN) önerdi:

1Çok ölçekli özellik çıkarımı, özellikleri çıkarmak için aynı mekansal çözünürlükte paralel olarak farklı boyutlarda kıvrım çekirdekleri kullanarak Başlangıç yapısından ders alıyor.Çoklu granülerlik bilgilerini ince spektral farklılıklardan yerel doku kalıplarına kadar yakalamak için.

2.Çifte dikkat mekanizması, önce spektral kanal dikkatleri aracılığıyla bantlar arasındaki bağımlılıkları açıkça modelleyerek, daha zengin bilgilere sahip bantlara daha fazla ağırlık verir;Daha sonra piksel düzeyinde etiketlemeye güvenmeden hücre morfolojisi açısından teşhis değerine sahip bölgeleri bulmak için mekansal dikkatle iki boyutlu bir ısı haritası oluşturur.

3.Hiyerarşik birleştirme ve prototip öğrenimi. Biyolojik spektrumlarda sınıf içi yüksek değişkenliği ele almak için, model, öğrenilebilir "prototype vektörler"" bu prototiplere yumuşak örnek özellikleri atama, ve prototip kullanım dağılımının entropiyi kısıtlayarak mod çöküşünü önler.bölüm içindeki farklı bölgeler arasındaki bağımlılıkları modellemek için bir öz dikkat mekanizması kullanılır., tüm bölümün temsilini dikkat toplama yoluyla elde etmek.

Sadece bölüm düzeyinde etiketler kullanılarak zayıf denetlenen eğitimde, bağımsız bir test setinde (94 bölüm) model 86,7% doğruluk ve 0,92 AUC elde etti.TransMIL ve CLAM gibi genel MIL başlangıç modellerine kıyasla istatistiksel olarak önemli bir iyileşme göstermektedir..

Renkleme aşamasının çıkarılması ve zaman maliyetinin sıkıştırılması

Bu araştırmanın temel amacı patologları değiştirmek değil, "optik kesim" ve "AI birincil tarama" iş akışını keşfetmektir." Renkleme aşamasının atılması sadece rejan ve tüketim malzemelerinin maliyetinin azalması anlamına gelmez., ama daha da önemlisi, numune alımından dijital teşhisine kadar olan zaman penceresini önemli ölçüde sıkıştırır.Bu "kes-tarama-analize" modunun anestezi altındaki hastalar için bekleme süresini kısaltması bekleniyor..

Tabii ki, bu araştırma hala kavramın kanıtlanma aşamasındadır. 60 vaka tek merkezli veri kümesinin ölçeği nispeten sınırlıdır.ve hazırlık eserleri karşısında modelin performansı, düşük hücre yoğunluğu veya nadir moleküler alt tiplerin hala çok merkezli ve büyük numune verileri ile harici doğrulanmaya ihtiyacı vardır.Laboratuvardan rutin patoloji departmanlarına geçmek hala mühendislik ve sağlık ekonomisi düzeylerinde düşünceler gerektiriyor..