手术切除肿瘤仍然是癌症治疗期间最常见的手术之一,大约 45% 的癌症患者在某个时候接受过这种手术。由于成像和生化技术的最新进展,外科医生现在能够更好地将肿瘤与健康组织区分开来。具体来说,这是通过一种称为“荧光引导手术”(FGS) 的技术实现的。
在 FGS 中,患者的组织被一种染料染色,这种染料在特殊光源照射下会发出红外线。这种染料优先与肿瘤细胞表面结合,因此它的光波发射可以提供有关肿瘤位置和范围的信息。在大多数基于 FGS 的方法中,红外发射的绝对强度被用作辨别对应于肿瘤的像素的主要标准。然而,事实证明强度对光照条件、相机设置、使用的染料量以及染色后经过的时间很敏感。因此,基于强度的分类很容易产生错误的解释。
但是,如果我们可以改用一种与强度无关的方法来对健康细胞和肿瘤细胞进行分类呢?最近发表在《生物医学光学杂志》上、由英国伦敦大学学院的 Dale J. Waterhouse 领导的一项研究现在提出了这样一种方法。研究团队开发了一种新技术,将机器学习与短波红外 (SWIR) 荧光成像相结合,以检测肿瘤的精确边界。
他们的方法依赖于捕获染色组织的多光谱 SWIR 图像,而不是简单地测量一个特定波长的总强度。简而言之,该团队在他们的 SWIR 光学系统前面依次放置了六个不同波长频率(颜色)的滤光片,并为每个像素记录了六个测量值。这使研究人员能够为每种类型的像素(背景、健康或肿瘤)创建光谱图。接下来,他们训练了七个机器学习模型以在多光谱 SWIR 图像中准确识别这些配置文件。
研究人员使用 SWIR 图像和侵袭性神经母细胞瘤的实验室模型在体内训练和验证模型。他们还比较了不同的归一化方法,旨在使像素的分类独立于绝对强度,使其仅受像素的光谱分布影响。
在七个测试模型中,性能最好的模型实现了 97.5% 的显着每像素分类精度(肿瘤、健康和背景像素的精度分别为 97.1%、93.5% 和 99.2%)。此外,由于光谱分布的归一化,模型的结果对成像条件的变化更加稳健。这是临床应用特别需要的功能,因为通常测试新成像技术的理想条件并不代表真实世界的临床环境。
标签:
免责声明:本文由用户上传,如有侵权请联系删除!