国科大和温医大通过拉曼光谱结合深度学习，用于肝癌组织病理诊断( 二 )

文章图片
图：基于深度学习的肝组织拉曼分析和组织病理学诊断。（来源：论文）
首先，使用拉曼光谱结合基于VGG-16的卷积神经网络(CNN) ，以快速、无干扰和无标记的方式成功区分肝癌组织和邻近的非肿瘤组织。
结果表明，拉曼光谱结合深度学习可以准确记录和识别不同病理样本中的光谱模式。估计癌组织面积的准确率为92.6% ，灵敏度和特异性分别为90.8%和94.6% 。
与其他常见的机器学习算法（包括PLS-DA、随机森林和XGBoost）相比，深度学习方法在不同病理类型的组织识别中显示出更优越的计算性能和更高的准确性，特别是在处理不平衡数据时。
表：比较VGG模型和机器学习算法识别不同病理类型肝组织的能力。（来源：论文）

文章图片
此外，研究人员还计划在后续工作中研究HCC前体和非恶性肝脏病变的鉴别，以及原发性和继发性肝癌的区分，这对肝癌的治疗和预后至关重要。
基于拉曼光谱差异，组织切片的细胞形态可以以无标记的方式描绘。使用自建模曲线分辨率(SMCR)和层次聚类分析(HCA)算法分析拉曼图像。 SMCR方法可以将未知的拉曼映射数据集解析为纯组分的光谱，同时产生浓度图像和纯光谱。基于SMCR方法获得了高质量图像。 HCA是这里使用的另一种化学计量学方法，以更抽象的方式将一组光谱组合成具有相似光谱的簇。 HCA衍生图像的结果与使用SMCR处理的结果一致，表明图像处理算法的可靠性。
图：肝组织块的拉曼成像，用于癌切缘勾画。（来源：论文）

文章图片
这表明亚细胞拉曼分析在简化临床试验期间的癌症诊断方面具有巨大潜力，并为组织病理学诊断提供了前景。
然后对肝癌组织进行更详细的病理鉴定，包括亚型、分化程度和肿瘤分期。组织代谢组学分析证实了拉曼光谱在代谢物鉴定中的可靠性。此外，未处理的人体组织块和组织切片的拉曼图像在亚微米分辨率下允许其分子组成的可视化，有助于肿瘤边界的识别和临床病理学诊断。
最后，在手术过程中使用手持式拉曼光谱系统来探索实时术中肝癌诊断的可行性。成功地验证了便携式拉曼光谱仪在手术过程中区分肿瘤和非肿瘤区域的可行性。这些表明，拉曼技术有可能帮助外科医生在手术过程中快速分析感兴趣的区域，而不会因术中冷冻切片或苏木精-伊红（H&E）染色而中断或延迟。
图：使用手持式光纤耦合拉曼光谱仪进行术中检测。（来源：论文）

文章图片
值得注意的是，便携式拉曼光谱仪收集的组织拉曼光谱与从微型拉曼光谱仪获得的光谱不同，特别是在某些峰值位置。这可能是由于两种类型的光谱设备之间的差异，例如激光源、激光功率和波长以及光谱仪。不过，虽然两台设备测得的拉曼数据存在差异，但这并不影响拉曼光谱区分癌变与邻近正常组织的能力。
此外，拉曼光谱作为临床工具的实际应用还需要进一步探索和优化。因此，希望能够尽快开发出一种方便的拉曼光谱系统，该系统具有用于准确诊断的归一化标准，以促进其临床采用。
虽然目前的工作是在肝癌的背景下进行的，但同样的方法可用于评估其他器官肿瘤的相似组织学特征。因此，拉曼技术与智能算法相结合，可以应用于肝脏和其他类型肿瘤的诊断，在病理识别和术中指导中发挥潜在的作用。返回搜狐，查看更多