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( 二 )

健康知識養生常識


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：基于深度學習的肝組織拉曼分析和組織病理學診斷 。 （來源：論文）
首先 ， 使用拉曼光譜結合基于VGG-16的卷積神經網絡(CNN) ， 以快速、無干擾和無標記的方式成功區分肝癌組織和鄰近的非腫瘤組織 。
結果表明 ， 拉曼光譜結合深度學習可以準確記錄和識別不同病理樣本中的光譜模式 。 估計癌組織面積的準確率為92.6% ， 靈敏度和特異性分別為90.8%和94.6% 。
與其他常見的機器學習算法（包括PLS-DA、隨機森林和XGBoost）相比 ， 深度學習方法在不同病理類型的組織識別中顯示出更優越的計算性能和更高的準確性 ， 特別是在處理不平衡數據時 。
表：比較VGG模型和機器學習算法識別不同病理類型肝組織的能力 。 （來源：論文）
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
此外 ， 研究人員還計劃在后續工作中研究HCC前體和非惡性肝臟病變的鑒別 ， 以及原發性和繼發性肝癌的區分 ， 這對肝癌的治療和預后至關重要 。
基于拉曼光譜差異 ， 組織切片的細胞形態可以以無標記的方式描繪 。 使用自建模曲線分辨率(SMCR)和層次聚類分析(HCA)算法分析拉曼圖像 。 SMCR方法可以將未知的拉曼映射數據集解析為純組分的光譜 ， 同時產生濃度圖像和純光譜 。 基于SMCR方法獲得了高質量圖像 。 HCA是這里使用的另一種化學計量學方法 ， 以更抽象的方式將一組光譜組合成具有相似光譜的簇 。 HCA衍生圖像的結果與使用SMCR處理的結果一致 ， 表明圖像處理算法的可靠性 。
圖：肝組織塊的拉曼成像 ， 用于癌切緣勾畫 。 （來源：論文）
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
這表明亞細胞拉曼分析在簡化臨床試驗期間的癌癥診斷方面具有巨大潛力 ， 并為組織病理學診斷提供了前景 。
然后對肝癌組織進行更詳細的病理鑒定 ， 包括亞型、分化程度和腫瘤分期 。 組織代謝組學分析證實了拉曼光譜在代謝物鑒定中的可靠性 。 此外 ， 未處理的人體組織塊和組織切片的拉曼圖像在亞微米分辨率下允許其分子組成的可視化 ， 有助于腫瘤邊界的識別和臨床病理學診斷 。
最后 ， 在手術過程中使用手持式拉曼光譜系統來探索實時術中肝癌診斷的可行性 。 成功地驗證了便攜式拉曼光譜儀在手術過程中區分腫瘤和非腫瘤區域的可行性 。 這些表明 ， 拉曼技術有可能幫助外科醫生在手術過程中快速分析感興趣的區域 ， 而不會因術中冷凍切片或蘇木精-伊紅（H&E）染色而中斷或延遲 。
圖：使用手持式光纖耦合拉曼光譜儀進行術中檢測 。 （來源：論文）
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
值得注意的是 ， 便攜式拉曼光譜儀收集的組織拉曼光譜與從微型拉曼光譜儀獲得的光譜不同 ， 特別是在某些峰值位置 。 這可能是由于兩種類型的光譜設備之間的差異 ， 例如激光源、激光功率和波長以及光譜儀 。 不過 ， 雖然兩臺設備測得的拉曼數據存在差異 ， 但這并不影響拉曼光譜區分癌變與鄰近正常組織的能力 。
此外 ， 拉曼光譜作為臨床工具的實際應用還需要進一步探索和優化 。 因此 ， 希望能夠盡快開發出一種方便的拉曼光譜系統 ， 該系統具有用于準確診斷的歸一化標準 ， 以促進其臨床采用 。
雖然目前的工作是在肝癌的背景下進行的 ， 但同樣的方法可用于評估其他器官腫瘤的相似組織學特征 。 因此 ， 拉曼技術與智能算法相結合 ， 可以應用于肝臟和其他類型腫瘤的診斷 ， 在病理識別和術中指導中發揮潛在的作用 。 返回搜狐 ， 查看更多