Dirección de la aplicación:

La tecnología de imágenes hiperespectrales muestra amplias perspectivas de aplicación en el campo del diagnóstico médico. La imagen hiperespectral puede obtener simultáneamente información sobre la estructura espacial y el espectro de los tejidos en una sola imagen, revelar las características ópticas microscópicas de las células y los tejidos en diferentes bandas de onda y lograr un reconocimiento no invasivo y cuantitativo de los tejidos enfermos. Sus direcciones de aplicación en el campo del diagnóstico médico incluyen principalmente: diagnóstico óptico de pólipos colorrectales y lesiones precancerosas, logrando la distinción en tiempo real entre la carne tumoral y no tumoral en la endoscopia; Identificación rápida del tejido y localización del borde de la incisión durante la cirugía para ayudar al médico a extirpar la lesión con precisión; Análisis de secciones patológicas y clasificación automática.

Antecedentes:

El cáncer colorrectal es la segunda causa más importante de muerte por cáncer en todo el mundo, y la clave de su prevención y control es la detección temprana y la extirpación de lesiones precancerosas, pólipos colorrectales. En la actualidad, la colonoscopia se considera el primer método para prevenir el cáncer colorrectal avanzado y reducir la mortalidad. Sin embargo, en el examen real, la mayoría de los pólipos encontrados son de tamaño pequeño (6 - 9 mm de diámetro) o muy pequeños (1 - 5 mm), con una proporción extremadamente baja de características patológicas avanzadas o potencial de cáncer. La práctica tradicional es realizar pruebas patológicas paralelas de extirpación de todos los pólipos, pero este método aumenta los costos y la carga de trabajo. Con este fin, se propone una estrategia de "extirpación y desecho" basada en el diagnóstico óptico, es decir, el uso de técnicas de imagen endoscópica de alta precisión para juzgar con precisión la naturaleza de los pólipos bajo la endoscopia, eliminando así algunas pruebas patológicas.

Sin embargo, las técnicas de diagnóstico óptico existentes (como la imagen de banda estrecha nbi, la imagen azul bli, etc.) todavía tienen limitaciones en la práctica clínica: la precisión depende de un endoscopio experimentado,La consistencia del diagnóstico de los principiantes es pobre; Al mismo tiempo, aunque la inteligencia artificial se ha utilizado para ayudar en el reconocimiento de pólipos, su promoción sigue bloqueada debido a problemas como la falta de especificidad, la mala interpretación del modelo y la gran heterogeneidad de los datos de entrenamiento.

Para superar las dificultades anteriores, este estudio introdujo la tecnología de imágenes hiperespectrales. Esta tecnología, que combina imágenes digitales con análisis espectrales, puede capturar simultáneamente las características morfológicas y espectrales de los tejidos a nivel de cada píxel y obtener información espectral rica que refleje la composición bioquímica y los cambios patológicos de los tejidos. En comparación con las imágenes rgb tradicionales, las imágenes hiperespectrales pueden revelar diferencias tisulares invisibles a simple vista, proporcionando una nueva base para el reconocimiento de propiedades histopatológicas y la clasificación patológica.

Información del autor:Peng cheng, Hospital Qilu de la Universidad de Shandong

Fuente de la revista:Medicina contra el cáncer

Contenido de la investigación

El objetivo de este estudio es desarrollar y verificar un algoritmo de clasificación de tejidos de pólipos colorrectales basado en imágenes hiperespectrales y aprendizaje profundo (red residual, aprendizaje migratorio) para distinguir rápidamente entre la carne tumoral y no tumoral * En la endoscopia, promoviendo así el aterrizaje de estrategias de "extirpación y desecho" asistidas por inteligencia artificial, mejorando la precisión diagnóstica y reduciendo los Costos médicos.

Diseño experimental

Durante la operación de la colonoscopia, todos los pólipos se extirpan primero con una trampa fría (csp); Para las lesiones pequeñas con un diámetro ≤ 3 mm y una dificultad técnica de csp, se extirpan completamente con pinzas de biopsia. Este estudio solo incluyó especímenes de mucosa fresca de pólipos de menos de 1 cm; Para que el modelo adquiera características patológicas de mayor orden, se recolectan biopsias tumorales avanzadas simultáneamente. Una vez extirpado / pinzas, el pólipo o la lesión se toma inmediatamente con una cámara hiperespectral (hs) de acuerdo con la operación estandarizada, y el breve proceso se muestra en la figura 1a.

La adquisición de datos de imágenes hiperespectrales utiliza el dispositivo Gaia micro - v10 e - HR de doble espectro, que incluye cámaras hiperespectrales de la serie Gaia micro, microscopios, placas blancas calibradas, soportes del sistema y objetivos de microscopía. La serie Gaia micro contiene cámaras hiperespectrales de barrido Push incorporadas que impulsan el espacio para obtener cubos de datos hiperespectrales. Las imágenes se recopilaron con el tamaño del espacio de 1101 líneas y se generaron 960 × 1101 × 360 (número de líneas x número de líneas x número de bandas).

Todas las muestras de pólipos colorrectales fueron fijadas por formalina, enterradas en parafina y teñidas con H & E. Dos patólogos con amplia experiencia leyeron la película de forma independiente y dieron el diagnóstico final de acuerdo con los criterios de clasificación de tumores colorrectales de la Organización Mundial de la salud. Según el consenso del Grupo de trabajo de cáncer colorrectal de la Sociedad Americana multidisciplinar, las muestras se dividieron en dos categorías principales: lesiones no oncológicas y lesiones oncológicas, de las cuales las lesiones oncológicas se subdividieron aún más en tumores no avanzados y tumores avanzados.

Métodos de investigación

Para equilibrar el número de muestras de diferentes etiquetas histológicas, Implementamos mejoras de datos para cada categoría: ampliamos imágenes hiperespectrales con múltiples campos de visión seleccionados aleatoriamente para cada muestra. En respuesta al problema de la Alta dimensión y la gran cantidad de cálculo de los datos hiperespectrales, extraemos información espectral y espacial del cubo hiperespectral original y la reconstruimos en una imagen bidimensional (2d); La figura 1b muestra intuitivamente la relación correspondiente entre el espectro unidimensional y la imagen 2d. Cada imagen HS puede generar 900 imágenes 2d después de la reducción de dimensión.

El estudio se basa en un modelo de entrenamiento de red neuronal de convolución bidimensional (2d cnn) para realizar la clasificación automática de imágenes de lesiones colorrectales. La red puede combinar simultáneamente la información espectral y Espacial de la muestra para analizar exhaustivamente las características organizativas. Con el fin de superar la desaparición de gradientes y la degradación de la red que las redes neuronales de convolución tradicionales son propensas a ocurrir cuando el número de capas de la red se profundiza, y mejorar aún más el rendimiento del modelo, la estructura de la red residual (resnet) se utiliza en el estudio. Es un método para adaptar los parámetros del modelo existente a nuevas tareas o características de nuevos datos mediante el ajuste fino. En este estudio, los investigadores utilizaron estrategias de aprendizaje migratorio para cargar los parámetros del modelo resnet preajustados como pesos iniciales, luego añadir una capa de conexión completa al final del modelo y restablecer todas las capas de la red para mejorar la capacidad del modelo para identificar diferentes tipos patológicos de pólipos colorrectales (como se muestra en la figura 1b).

Figura 1 diagrama esquemático de imágenes hiperespectrales in situ y análisis espectral de tejidos de pólipos frescos en el diseño experimental y la colonoscopia de flujo de trabajo (a). (b) características espectrales - espaciales del cubo hiperespectral, conversión del cubo a una imagen bidimensional y esquema de la arquitectura del modelo de red neuronal residual. (c) evaluación de la capacidad de diagnóstico óptico del endoscopio dos semanas después de la imagen endoscópica de luz blanca y el Diagnóstico asistido por HSI - ai.

Para evaluar la capacidad diagnóstica de los endoscopios para detectar pólipos colorrectales pequeños y minúsculo, el estudio invitó a cuatro endoscopios veteranos (un total de más de 2.000 casos de colonoscopia de detección) y seis endoscopios primarios (un total de 200 - 400 casos) a participar en la prueba. La prueba se realizó en forma de cuestionario y se juzgó sobre la base de imágenes endoscópicas de luz blanca de la lesión concentrada de la prueba. Para evaluar la eficiencia del diagnóstico auxiliar del endoscopio primario y del endoscopio experto, se realizaron dos revisiones de la imagen por separado, primero se realizó una prueba independiente al endoscopio y luego se informó al resultado predictivo del modelo HSI - ai antes de que el endoscopio hiciera el diagnóstico final, conocido como la prueba de diagnóstico auxiliar HSI - ai, el período de limpieza entre las dos pruebas con un intervalo de dos semanas, y se compararon los resultados finales.

El rendimiento diagnóstico del modelo se evalúa a través de una matriz de confusión. Precisión (precisión) indica la proporción del modelo de clasificación correctamente clasificado en todas las muestras de observación. Para evaluar exhaustivamente el rendimiento del modelo, también se calcularon sensibilidad (sensibilidad), especificidad (especificidad), valor predictivo positivo (ppv), valor predictivo negativo (npv) y se reflejó la capacidad diagnóstica general del modelo a través de la curva característica de trabajo del sujeto (roc curve) y su área bajo curva (auc). Los indicadores de evaluación secundarios incluyen las manifestaciones diagnósticas de los endoscopios primarios y expertos, así como la eficiencia auxiliar del modelo de inteligencia artificial hiperespectral (hsi - ai) en su diagnóstico. Los indicadores diagnósticos de todos los endoscopistas se expresaron en mediana (media) y distancia de cuartos (iqr). Comparación de la diferencia entre el diagnóstico independiente y el Diagnóstico asistido por HSI - ai con la prueba Mann - Whitney u, bilateralpLos valores inferiores a 0,05 se consideraron estadísticamente significativos.

resultado

Se incluyeron un total de 94 muestras de tejido de 73 pacientes (64 de ellas de policirugía y 30 de biopsia). Los resultados de la evaluación patológica mostraron que 53 muestras eran tumores tubulares de displasia de grado bajo (adenoma no avanzado, naa), 28 eran carnes no oncológicas (nnp) y 13 eran tumores avanzados (an), incluidos 6 tumores tubulares de displasia de grado alto, 3 tumores vellosos y 4 adenocánceres. Después de la mejora de los datos, se generaron un total de 144.900 imágenes bidimensionales de 161 imágenes hiperespectrales, divididas en conjuntos de entrenamiento, conjuntos de prueba y conjuntos de verificación en una proporción de 6: 3: 1.

Al comparar las curvas espectrales típicas de diferentes tipos de tejidos, se encontró que la forma espectral y el tamaño pico de los tres tipos de tejidos (nnp, naa, an) en el rango de longitud de onda de 406,9 a 662,1 nm eran significativamente diferentes. Los resultados mostraron que a una longitud de onda de 575 nm, la diferencia de reflectividad entre los tres tipos de tejidos fue altamente estadísticamente significativa (p < 0001), lo que indica que la imagen hiperespectral puede distinguir eficazmente los diferentes tipos de patología tisular.

Para verificar la fiabilidad de los datos y explorar la correlación de los datos de imagen bidimensional, se llevaron a cabo dos conjuntos de experimentos con modelos. En el primer grupo de modelos, los investigadores entrenaron después de interrumpir aleatoriamente las imágenes bidimensionales, sin tener en cuenta las diferencias individuales entre las muestras. Los resultados mostraron que el modelo logró una alta precisión en cada grupo, con un AUC de 0,97 y 0,96 para el conjunto de entrenamiento y el conjunto de pruebas, respectivamente, lo que indica una buena correlación y consistencia entre imágenes espectrales de diferentes regiones de la misma muestra (figura 2a).

Figura 2 resultados de entrenamiento, verificación y prueba de la red neuronal residual diagnóstico automático (a, b) basado en imágenes hiperespectrales en tareas de triple clasificación de pólipos no oncológicos / tumores no avanzados / tumores avanzados. (c, d) comparación del rendimiento de varios modelos de red neuronal en tareas de clasificación automática.

En el segundo grupo de modelos, los investigadores verificaron en unidades de pacientes independientes, interrumpieron y generaron imágenes bidimensionales después de agrupar los datos por muestras. Si más del 80% de las imágenes bidimensionales generadas por la misma muestra se clasifican correctamente, la muestra se determina que la predicción es correcta. Los resultados de clasificación del modelo para tres tipos de organizaciones (nnp, naa, an) fueron excelentes, con una precisión general del 95,8% y un AUC promedio de 0,97. Entre ellos, la sensibilidad predictiva para lesiones oncológicas (incluidas naa y an) fue del 99,0% y la especificidad del 96,0%, lo que demuestra que el modelo tiene un alto potencial diagnóstico para identificar la carne tumoral y no tumoral.

El estudio comparó las diferencias entre los endoscopios antes y después de la Ia en la distinción entre la carne tumoral y no tumoral mediante la evaluación de las manifestaciones diagnósticas de las imágenes endoscópicas de luz blanca. En la fase de diagnóstico independiente, la precisión mediana del diagnóstico de imagen única de la carne tumoral * por parte de los endoscopistas especialistas experimentados fue del 91,1%, mientras que los médicos primarios solo fueron del 71,4%. En el episodio de pruebas, el modelo HSI - ai clasificó cada carne tumoral * y solo un caso de tumor no avanzado (naa) fue juzgado erróneamente como tumor avanzado (an). Con la ayuda del modelo hsiai, la precisión media general de los endoscopios primarios aumentó al 94,7%, acercándose al nivel de los médicos mayores. El autocontrol mostró diferencias significativas en el rendimiento diagnóstico entre el grupo primario y el Grupo Superior antes y después de la asistencia de Ia (p < 0,01), mientras que no hubo diferencias estadísticas en el Grupo Superior (p = 0,63). En el caso de los pronósticos negativos (npv), varios médicos de cabecera superaron el 90% después de la asistencia de ia, cumpliendo con los requisitos de la estrategia de "extirpación - desecho" del pivi; La mediana general del npv en el grupo primario saltó del 50,0% al 88,2% (p = 0013). El resto de los indicadores diagnósticos también han mejorado * por completo, y los datos específicos de los médicos primarios se muestran en la figura 3.

Figura 3 Comparación del rendimiento diagnóstico de los endoscopios primarios de pólipos colorrectales oncológicos y no oncológicos sin ayuda (izquierda) y con ayuda (derecha) de HSI - ai en imágenes de endoscopia blanca

conclusión

Este estudio confirma que el uso de imágenes hiperespectrales (hsi) puede lograr una distinción de alta precisión entre adenoides y no adenoides en pólipos colorrectales en tejidos colónicos frescos y identificar aún más tumores avanzados. Esta herramienta mejora significativamente el nivel de diagnóstico de los endoscopios primarios y muestra el potencial de sincronizar el Diagnóstico asistido por Ia con la colonoscopia en tiempo real.