1. 首頁 > 健康養生 > >

國科大和溫醫大通過拉曼光譜結合深度學習，用于肝癌組織病理診斷

健康知識養生常識

編輯|辰希
活檢是肝癌病理診斷的推薦標準 。 然而 ， 這種方法通常需要切片和染色 ， 以及訓練有素的病理學家來解讀組織圖像 。
近日 ， 來自中國科學院大學和溫州醫科大學的研究團隊 ， 利用拉曼光譜研究人體肝組織樣本 ， 開發和驗證肝癌體外和術中病理診斷的工作流程 。 通過使用拉曼光譜結合深度學習 ， 以快速、非破壞性和無標簽的方式將癌組織與鄰近的非腫瘤組織區分開來 ， 并通過組織代謝組學進行驗證 。
該技術允許對癌組織進行詳細的病理鑒定 ， 包括亞型、分化等級和腫瘤分期 。 基于分子組成的可視化 ， 還可以獲取具有亞微米分辨率的未處理人體組織切片的2D/3D拉曼圖像 ， 這有助于腫瘤邊界識別和臨床病理診斷 。 最后 ， 便攜式手持拉曼系統在手術過程中用于實時術中人類肝癌診斷的潛力得到了說明 。
該研究以「Rapid,label-freehistopathologicaldiagnosisoflivercancerbasedonRamanspectroscopyanddeeplearning」為題 ， 于2023年1月4日發布在《NatureCommunications》上 。
國科大和溫醫大通過拉曼光譜結合深度學習，用于肝癌組織病理診斷
文章圖片
論文鏈接：https://www.nature.com/articles/s41467-022-35696-2
肝癌是全球第七大常見癌癥 ， 也是癌癥相關死亡的第三大原因 。 過去幾十年 ， 盡管在診斷和治療方面取得了重大進展 ， 但全球肝癌新診斷病例的發病率和年齡標化發病率持續上升 。
因此 ， 準確、及時的診斷對于肝癌的治療和生存率的提高至關重要 。 活檢仍被推薦作為病理診斷的金標準 ， 對判斷預后和指導治療具有重要意義 。
最近 ， 使用高通量圖像分析的數字病理學極大地幫助了病理學家進行組織樣本識別和分類 。 然而 ， 數字病理學的樣本制備與傳統方法同樣存在局限性 。 因此 ， 需要快速、非破壞性的肝癌體外甚至體內研究技術 。
基于拉曼光譜的光譜組織病理學為癌癥診斷提供了另一種方法 。 生物樣品的化學結構和組成可以通過拉曼光譜以無污染和非破壞性的方式獲得 ， 只需很少的樣品制備 。 光譜信息還可以結合人工智能算法建立診斷分類模型 ， 實現自動診斷 。
到目前為止 ， 對于肝癌 ， 基于拉曼光譜的研究主要集中在血液樣本的分析上 ， 只有少數研究針對人體組織 。
此外 ， 眾所周知 ， 腫瘤組織的異質性和可能的癌浸潤增加了從組織收集的光譜數據的可變性 。 因此 ， 有必要從每個組織樣本中收集大量的光譜以更好地表示數據 ， 但這可能會增加數據分析的復雜性 ， 并對傳統的化學計量學方法提出挑戰 。 深度學習的數據驅動特性非常適合解決這個問題 。 深度學習可以直接從海量數據中提取和學習隱藏的特征 ， 并已成功應用于圖像識別領域 ， 包括生物和醫學圖像分析 。 由于其架構的靈活性 ， 深度學習也已擴展到分析一維序列數據 ， 例如光譜數據 。
在這項研究中 ， 研究人員報告了使用拉曼光譜探索人類肝病組織 。 研究得出 ， 拉曼光譜有可能成為肝癌組織病理學診斷的多功能工具 ， 因為它允許基于固有分子振動信號進行快速檢測和高化學特異性 。
國科大和溫醫大通過拉曼光譜結合深度學習，用于肝癌組織病理診斷
文章圖片
圖：基于拉曼光譜和智能算法的肝癌組織病理學診斷工作流程 。 （來源：論文）
具體而言 ， 肝癌的光譜顯示出比從鄰近的非腫瘤組織收集的光譜整體強度更弱 ， 并且在不同的病理組織中也觀察到不同的拉曼模式 ， 這反映了肝癌進展中生化代謝的復雜性 。 為了證實這些生化成分在肝細胞癌(HCC)組織和鄰近組織之間的差異 ， 基于LC-MS進行了代謝組學分析 ， 揭示了大多數代謝物在HCC組織中表現出下降趨勢 ， 例如大多數氨基酸、脂質和核酸 ， 而標有SFA或MUFA的PC增加了 。 結果與拉曼分析結果一致 ， 表明基于拉曼的代謝組學可以像傳統代謝組學一樣帶來全面可靠的生物學信息 ， 無需額外的耗材 ， 更方便、更經濟地區分不同的病理組織 。