手術(shù)切除腫瘤仍然是癌癥治療期間最常見的手術(shù)之一，大約 45% 的癌癥患者在某個時候接受過這種手術(shù)。由于成像和生化技術(shù)的最新進展，外科醫(yī)生現(xiàn)在能夠更好地將腫瘤與健康組織區(qū)分開來。具體來說，這是通過一種稱為“熒光引導手術(shù)”(FGS) 的技術(shù)實現(xiàn)的。
在 FGS 中，患者的組織被一種染料染色，這種染料在特殊光源照射下會發(fā)出紅外線。這種染料優(yōu)先與腫瘤細胞表面結(jié)合，因此它的光波發(fā)射可以提供有關(guān)腫瘤位置和范圍的信息。在大多數(shù)基于 FGS 的方法中，紅外發(fā)射的絕對強度被用作辨別對應(yīng)于腫瘤的像素的主要標準。然而，事實證明強度對光照條件、相機設(shè)置、使用的染料量以及染色后經(jīng)過的時間很敏感。因此，基于強度的分類很容易產(chǎn)生錯誤的解釋。
但是，如果我們可以改用一種與強度無關(guān)的方法來對健康細胞和腫瘤細胞進行分類呢?最近發(fā)表在《生物醫(yī)學光學雜志》上、由英國倫敦大學學院的 Dale J. Waterhouse 領(lǐng)導的一項研究現(xiàn)在提出了這樣一種方法。研究團隊開發(fā)了一種新技術(shù)，將機器學習與短波紅外 (SWIR) 熒光成像相結(jié)合，以檢測腫瘤的精確邊界。
他們的方法依賴于捕獲染色組織的多光譜 SWIR 圖像，而不是簡單地測量一個特定波長的總強度。簡而言之，該團隊在他們的 SWIR 光學系統(tǒng)前面依次放置了六個不同波長頻率(顏色)的濾光片，并為每個像素記錄了六個測量值。這使研究人員能夠為每種類型的像素(背景、健康或腫瘤)創(chuàng)建光譜圖。接下來，他們訓練了七個機器學習模型以在多光譜 SWIR 圖像中準確識別這些配置文件。
研究人員使用 SWIR 圖像和侵襲性神經(jīng)母細胞瘤的實驗室模型在體內(nèi)訓練和驗證模型。他們還比較了不同的歸一化方法，旨在使像素的分類獨立于絕對強度，使其僅受像素的光譜分布影響。
在七個測試模型中，性能最好的模型實現(xiàn)了 97.5% 的顯著每像素分類精度(腫瘤、健康和背景像素的精度分別為 97.1%、93.5% 和 99.2%)。此外，由于光譜分布的歸一化，模型的結(jié)果對成像條件的變化更加穩(wěn)健。這是臨床應(yīng)用特別需要的功能，因為通常測試新成像技術(shù)的理想條件并不代表真實世界的臨床環(huán)境。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！