In che modo l'imaging iperspettrale può consentire alle sezioni patologiche di dire addio alla colorazione? Questa ricerca fornisce una nuova traccia

Nella diagnosi patologica tradizionale, un campione di tessuto del cancro al seno deve subire più di dieci processi come la fissazione, l'incorporazione, la sezione e la colorazione.Dalla consegna del campione all'emissione della relazioneIn fase intraoperatoria di sezione congelata, i pazienti spesso devono essere in stato di attesa in anestesia.E la riduzione di questo tempo è cruciale per la sicurezza chirurgica..

Uno studio recentemente pubblicato su "Scientific Reports" tenta di utilizzare un "label-free,Il percorso tecnico combinato con algoritmi di apprendimento profondo per fornire una nuova soluzione a questo punto doloroso clinico.

Quando le immagini patologiche perdono colore

Le immagini patologiche che ci sono familiari sono generalmente presentate in tonalità blu-viola dopo la colorazione H&E, con confini chiari tra il nucleo cellulare e il citoplasma.La tecnologia di imaging iperspettrale microscopica (MHSI) può ottenere 128 bande di informazioni spettrali dalla luce visibile all'infrarosso vicino (397-1032 nm) mediante la scansione di sezioni di tessuto senza alcuna colorazione.

La sfida diretta di questo stato "libero da macchie" è: le immagini mancano di contrasto morfologico, rendendo difficile per l'occhio umano interpretare direttamente.il vantaggio dei dati iperspettrali risiede nel fatto che registra curve spettrali continue per ogni punto pixel, e diversi componenti biochimici (come proteine, lipidi, acidi nucleici) presentano caratteristiche di riflessione differenziate a lunghezze d'onda specifiche.Come estrarre informazioni con valore diagnostico da tali dati morfologici di alta dimensione e deboli è diventato un nuovo argomento nella patologia computazionale.

Trasformare la "diagnosi di sezione" in "apprendimento multi-istanza"

Il team di ricerca ha costruito un set di dati iperspettrali contenente 468 sezioni di tessuto di 60 pazienti con cancro al seno.Diverso dai metodi tradizionali che eseguono la previsione a un singolo punto sui campi visivi locali, i ricercatori hanno modellato la diagnosi patologica come un problema di apprendimento multi-istanza (MIL): trattare un'intera sezione di tessuto come una "borsa","e i cubi spettrali raccolti da 20 regioni diverse sulla sezione come "instanze" all'interno del sacchettoIl modello deve sintetizzare le informazioni di tutte le istanze per produrre il risultato diagnostico per l'intera sezione.

Questo approccio è più vicino alla logica attuale di lettura delle immagini dei patologi, che prima scrutano globalmente sotto un microscopio a bassa potenza e poi si concentrano su aree sospette per un giudizio completo.

Meccanismo di "attenzione" a più livelli

Con l'obiettivo di analizzare le caratteristiche dei dati iperspettrali, il team ha proposto una rete di attenzione gerarchica su più scale (MS-HAN), il cui progetto di base comprende tre livelli chiave:

1.L'estrazione di caratteristiche su scala multipla trae insegnamenti dalla struttura di Inception, utilizzando diverse dimensioni di kernel di convoluzione in parallelo alla stessa risoluzione spaziale per estrarre le caratteristiche,in modo da catturare le informazioni di multi-granularità da sottili differenze spettrali a modelli di consistenza locali.

2.Il meccanismo di doppia attenzione modella esplicitamente le dipendenze tra le bande attraverso l'attenzione del canale spettrale, dando maggiori pesi alle bande con informazioni più ricche;genera quindi una mappa di calore bidimensionale attraverso l'attenzione spaziale per localizzare regioni con valore diagnostico in termini di morfologia cellulare senza basarsi sull'etichettatura a livello di pixel.

3Per affrontare l'elevata variabilità intra-classe degli spettri biologici, il modello introduce un insieme di vettori "prototitipo" apprendibili," le funzioni di assegnazione delle istanze a questi prototipi, e previene il collasso di modalità limitando l'entropia della distribuzione di utilizzo del prototipo.un meccanismo di auto-attenzione è utilizzato per modellare le dipendenze tra le diverse regioni all'interno della sezione, ottenendo la rappresentanza dell'intera sezione attraverso il pooling dell'attenzione.

Con una formazione poco supervisionata e utilizzando solo etichette a livello di sezione, il modello ha raggiunto un'accuratezza dell'86,7% e un AUC di 0,92 su un set di prova indipendente (94 sezioni),mostrando un miglioramento statisticamente significativo rispetto ai principali modelli di riferimento MIL come TransMIL e CLAM.

Omissione della fase di colorazione e compressione del costo temporale

Il punto di partenza di questa ricerca non è quello di sostituire i patologi, ma di esplorare un flusso di lavoro di "sezione ottica" più "screening primario AI"." Omettere la fase di colorazione non significa solo una riduzione del costo dei reagenti e dei materiali di consumo, ma soprattutto, comprime significativamente la finestra temporale dal campionamento alla diagnosi digitale.Questa modalità "taglio-scanner-analisi" dovrebbe ridurre il tempo di attesa per i pazienti sotto anestesia..

Naturalmente, questa ricerca è ancora nella fase di prova del concetto.e le prestazioni del modello di fronte ai manufatti di preparazioneIn particolare, i dati relativi alla densità cellulare bassa o ai sottotipi molecolari rari richiedono ancora una convalida esterna con dati multicentrici e campioni di grandi dimensioni.E il passaggio dal laboratorio ai dipartimenti di patologia di routine richiede ancora considerazioni a livello di ingegneria e economia sanitaria.