Как гиперспектральная визуализация может позволить патологическим срезам попрощаться с окрашиванием? Это исследование открывает новые возможности

При традиционной патологоанатомической диагностике образец ткани рака молочной железы должен пройти более десяти процессов, таких как фиксация, внедрение, секционирование и окрашивание. От доставки образца до выдачи отчета часто проходит несколько часов или даже больше. На этапе интраоперационного замороженного среза пациентам часто приходится находиться в состоянии ожидания анестезии, и сокращение этого времени имеет решающее значение для хирургической безопасности.

Исследование, недавно опубликованное в «Scientific Reports», пытается использовать технический путь «без меток и пятен» в сочетании с алгоритмами глубокого обучения, чтобы обеспечить новое решение этой клинической болевой точки.

Когда патологические изображения «теряют» цвет

Знакомые нам патологические изображения после окрашивания H&E обычно представлены в сине-фиолетовых тонах с четкими границами между ядром клетки и цитоплазмой. Технология микроскопической гиперспектральной визуализации (MHSI) позволяет получать 128 полос спектральной информации от видимого света до ближнего инфракрасного (397–1032 нм) путем сканирования срезов тканей без какого-либо окрашивания.

Прямая проблема, которую создает это состояние «без пятен», заключается в том, что изображениям не хватает морфологического контраста, что затрудняет непосредственную интерпретацию человеческого глаза. Однако преимущество гиперспектральных данных заключается в том, что они записывают непрерывные спектральные кривые для каждой точки пикселя, а различные биохимические компоненты (такие как белки, липиды, нуклеиновые кислоты) будут иметь дифференцированные характеристики отражения на определенных длинах волн. Как извлечь информацию, имеющую диагностическую ценность, из таких многомерных и слабо морфологических данных, стало новой темой в компьютерной патологии.

Преобразование «диагностики разделов» в «многоэкземплярное обучение»

Исследовательская группа создала гиперспектральный набор данных, содержащий 468 срезов тканей 60 пациентов с раком молочной железы. В отличие от традиционных методов, выполняющих одноточечное прогнозирование в локальных полях зрения, исследователи смоделировали патологический диагноз как задачу многоэкземплярного обучения (MIL): рассматривая весь срез ткани как «мешок», а спектральные кубы, собранные из 20 различных областей на срезе, как «экземпляры» внутри мешка. Модель должна синтезировать информацию всех экземпляров, чтобы вывести результат диагностики для всего раздела.

Этот подход ближе к реальной логике считывания изображений патологоанатомами: сначала они просматривают глобально под микроскопом с низким увеличением, а затем сосредотачиваются на подозрительных областях для комплексного суждения.

Многоуровневый механизм «внимания»

Стремясь изучить характеристики гиперспектральных данных, команда предложила многомасштабную иерархическую сеть внимания (MS-HAN), основная конструкция которой включает три ключевых уровня:

1. Многомасштабное извлечение признаков извлекает уроки из структуры Inception, используя ядра свертки разных размеров параллельно с одинаковым пространственным разрешением для извлечения признаков, чтобы улавливать информацию с разной степенью детализации, от тонких спектральных различий до локальных текстурных шаблонов.

2. Механизм двойного внимания сначала явно моделирует зависимости между полосами посредством внимания к спектральным каналам, придавая более высокие веса полосам с более богатой информацией; затем генерирует двумерную тепловую карту с помощью пространственного внимания, чтобы найти области, имеющие диагностическую ценность с точки зрения морфологии клеток, не полагаясь на маркировку на уровне пикселей.

3. Иерархическое агрегирование и обучение прототипам. Чтобы справиться с высокой внутриклассовой изменчивостью биологических спектров, модель вводит набор обучаемых «векторов прототипов», мягко назначая экземплярные функции этим прототипам и предотвращая коллапс мод, ограничивая энтропию распределения использования прототипа. Наконец, механизм самообслуживания используется для моделирования зависимостей между различными областями внутри раздела, получая представление всего раздела посредством объединения внимания.

При обучении со слабым контролем с использованием только меток на уровне разделов модель достигла точности 86,7% и AUC 0,92 на независимом тестовом наборе (94 раздела), демонстрируя статистически значимое улучшение по сравнению с основными базовыми моделями MIL, такими как TransMIL и CLAM.

Отсутствие этапа окрашивания и сокращение временных затрат

Целью этого исследования является не замена патологоанатомов, а изучение рабочего процесса «оптических срезов» плюс «первичный скрининг искусственного интеллекта». Отсутствие этапа окрашивания не только означает снижение стоимости реагентов и расходных материалов, но, что более важно, значительно сокращает временной интервал от отбора проб до цифровой диагностики. Ожидается, что в сценариях, чувствительных ко времени, таких как интраоперационное замораживание, этот режим «разрезанного сканирования-анализа» сократит время ожидания пациентов под наркозом.

Конечно, это исследование все еще находится на стадии проверки концепции. Масштаб одноцентрового набора данных из 60 случаев относительно ограничен, и эффективность модели с учетом артефактов подготовки, низкой плотности клеток или редких молекулярных подтипов по-прежнему требует внешней проверки с использованием данных из нескольких центров и больших выборок. Кроме того, стоимость аппаратного обеспечения оборудования для гиперспектральной визуализации высока, и переход от лаборатории к отделениям обычной патологии по-прежнему требует рассмотрения на инженерном уровне и на уровне экономики здравоохранения.