Anwendungsrichtung:

Hochspektrale Bildgebungstechniken bieten breite Anwendungsmöglichkeiten im Bereich der medizinischen Diagnose. Hochspektrale Bildgebung ermöglicht es, sowohl die räumliche Struktur als auch die spektrale Information des Gewebes in einem einzigen Bild zu erfassen, um die mikrooptischen Merkmale von Zellen und Gewebe in verschiedenen Wellenbändern aufzudecken und eine nicht-invasive, quantitative Erkennung von geschädigtem Gewebe zu erreichen. Seine Anwendungsrichtung auf dem Gebiet der medizinischen Diagnose umfasst hauptsächlich: optische Diagnose von Kolorektalsymptomen und präkrebsartigen Läsionen, die Realisierung der Echtzeit-Unterscheidung von adenomatischem und nicht-tumorösem Fleisch bei der Endoskopie; Schnelle Gewebeerkennung und Randpositionierung während der Operation, um den Arzt bei der präzisen Entfernung von Verletzungen zu unterstützen; Pathologische Schnittanalyse und automatische Typierung.

Hintergrund:

Darmkrebs ist die zweitgrößte Ursache des Todes durch Krebs weltweit und der Schlüssel zu seiner Kontrolle besteht in der frühen Erkennung und Beseitigung einer präkrebsartigen Erkrankung, der Kolorektalstasis. Derzeit gilt die Koloskopie als die erste Methode zur Prävention von fortgeschrittenem Darmkrebs und zur Verringerung der Sterblichkeit. Bei praktischen Untersuchungen wurden jedoch die meisten gefundenen Fleischstoffe kleiner (Durchmesser 6-9 mm) oder sehr klein (1-5 mm) mit einem sehr geringen Anteil an fortgeschrittenen pathologischen Merkmalen oder Krebspotenzial. Die herkömmliche Praxis besteht darin, alle Proteine parallel zu entfernen, aber diese Methode erhöht die Kosten und die Arbeitslast. Zu diesem Zweck wurde eine optisch diagnostische "Entfernen und Entfernen"-Strategie vorgeschlagen, bei der eine hochpräzise Endoskopie-Bildgebungstechnik verwendet wird, um die Prophylaxeigenschaften unter dem Endoskop genau zu beurteilen und somit einige pathologische Untersuchungen zu entfernen.

Allerdings haben die bestehenden optischen Diagnosetechniken wie Narrowband Imaging NBI, Blue Light Imaging BLI usw. in der klinischen Praxis immer noch Einschränkungen: Die Genauigkeit hängt von erfahrenen Endoskopen ab.schlechte Konsistenz bei der Diagnose für Anfänger; Gleichzeitig wird künstliche Intelligenz, obwohl sie bereits zur Unterstützung der Fleischerkennung verwendet wird, durch Probleme wie mangelnde Spezifizität, schlechte Interpretierbarkeit des Modells und hohe Heterogenität der Trainingsdaten eingeschränkt und ihre Verbreitung immer noch behindert.

Um die oben genannten Schwierigkeiten zu überwinden, wurde in dieser Studie eine hochspektrale Bildgebungstechnik eingeführt. Diese Technologie kombiniert digitale Bildgebung mit spektraler Analyse, um die morphologischen und spektralen Eigenschaften des Gewebes auf jeder Pixelebene gleichzeitig zu erfassen und umfangreiche spektrale Informationen zu erhalten, die die biochemische Zusammensetzung und pathologische Veränderungen des Gewebes widerspiegeln. Im Vergleich zu herkömmlichen RGB-Bildern können hochspektrale Bilder Gewebeunterschiede aufdecken, die mit dem bloßen Auge nicht sichtbar sind, was eine neue Grundlage für die histologische Eigenschaftserkennung und die pathologische Klassifizierung bietet.

Autoreninformationen:Pengcheng, Shandong Universität Xilu Krankenhaus

Zeitschriftsquellen:Krebsmedizin

Forschungsinhalte

Diese Studie zielt darauf ab, einen Algorithmus zur Klassifizierung von Kolorektalgewebe zu entwickeln und zu validieren, der auf hochspektraler Bildgebung und Tiefenlernen (Restnetzwerke, Migrationslernen) basiert, um schnell zwischen tumorigem und nicht-tumorigem Fleisch bei Endoskopie zu unterscheiden, was die Implementierung einer KI-gestützten "Entfernen und Entfernen"-Strategie fördert, die Diagnosegenauigkeit verbessert und die medizinischen Kosten senkt.

Experimentales Design

Während der Koloskopie werden alle Proteine zuerst mit einer Kaltfalle-Entfernung (CSP) durchgeführt; Bei kleinen Schäden mit einem Durchmesser von ≤ 3 mm, die mit der CSP-Technik schwieriger sind, wird die Biopsie vollständig mit einer Klinge beseitigt. Diese Studie umfasste nur frische Schleimhaut-Proben mit Fleischstoffen < 1 cm; Um das Modell höhere pathologische Merkmale zu erlernen, wurde eine weitere progressierende Tumorbiopsie synchronisiert. Nach der Entfernung/Klammerung wird das Fleisch oder die Schädigung sofort mit einer High Spectrum (HS)-Kamera in einem standardisierten Verfahren abgebildet, wie in Abbildung 1A beschrieben.

Die High-Spectrum Imaging-Datenerfassung erfolgt mit dem Dual-Spectrum-E-HR-Gerät GaiaMicro-V10, das die High-Spectrum-Kameras der GaiaMicro-Serie, Mikroskope, Kalibrierungs-Whiteboards, Systemhalter und Mikroskopiobjektive umfasst. Die Gaia Micro-Serie enthält eine eingebaute hochspektrale Kamera, die den Raum verschoben, um hochspektrale Datenkuben zu erhalten. Sammeln Sie ein Bild mit einer Raumgröße von 1101 Zeilen, um 960 x 1101 x 360 (Zeilenzahl x Zeilenzahl x Bandzahl) zu erzeugen.

Alle Kolorektalproben wurden mit Formalin fixiert, paraffiniert und mit H&E gefärbt. Zwei erfahrene Pathologen lesen unabhängig und stellen eine endgültige Diagnose gemäß den Kriterien der Weltgesundheitsorganisation für die Klassifizierung von Darmtumoren. Gemäß dem Konsens der Multi-Institutional American Colon-Rectal-Krebs-Arbeitsgruppe wurde die Probe in zwei Hauptkategorien unterteilt: nicht-tumorale Läsionen und tumorale Läsionen, in denen tumorale Läsionen weiter in nicht-progressive Adenome und progressive Tumore unterteilt wurden.

Forschungsmethoden

Um die Anzahl der Proben für verschiedene histologische Etiketten auszugleichen, implementieren wir Datenverbesserungen für jede Kategorie: Hochspektrale Bilder mit zufällig ausgewählten mehreren Sichtfeldern für jede Probe werden vergrößert. Für die Herausforderungen mit hohen spektralen Datendimensionen und hohen Berechnungen extrahieren wir spektrale und räumliche Informationen aus den ursprünglichen hochspektralen Würfeln und rekonstruieren sie in zweidimensionale (2D) Bilder. Abbildung 1B zeigt intuitiv die Korrespondenz eines eindimensionalen Spektrums zu einem 2D-Bild. Jedes HS-Bild kann 900 2D-Bilder generieren.

Die Studie basierte auf einem Trainingsmodell für zweidimensionale konvolutive neuronale Netzwerke (2D CNN), um die automatische Klassifizierung von Bildern von Kolorektalpathien zu ermöglichen. Das Netzwerk kann sowohl spektrale als auch räumliche Informationen der Probe kombinieren, um die Organisationsmerkmale zu analysieren. Um die Probleme des Gradientenverschwindens und der Degradation des Netzwerks zu überwinden, die bei der Vertiefung der Anzahl der Netzwerkschichten in herkömmlichen konvolutiven neuronalen Netzwerken auftreten, und die Modellleistung weiter zu verbessern, wurde die Restnetzstruktur (ResNet) in der Studie verwendet. Es handelt sich um eine Methode, die vorhandene Modellparameter fein anpasst, um sie an neue Aufgaben oder neue Datenmerkmale anzupassen. In dieser Studie verabschiedeten die Forscher eine Migrationslernstrategie, indem sie die vorausgebildeten ResNet-Modellparameter als anfängliches Gewicht geladen, anschließend eine vollständige Verbindungsschicht am Modellende hinzufügten und alle Schichtstrukturen des Netzwerks neu erstellten, um die Fähigkeit des Modells zur Erkennung verschiedener pathologischer Typen von Kolorektalstrophen zu verbessern (wie in Abbildung 1B gezeigt).

Abbildung 1 Experimentelle Konstruktion und Arbeitsablauf (A) Darstellung der in situ hochspektralen Bildgebung und Spektralanalyse von frischem Fleischgewebe bei der Koloskopie. (B) Spektral-räumliche Eigenschaften von hochspektralen Würfeln, die Konvertierung von Würfeln in zweidimensionale Bilder und die Architektur von residualen neuronalen Netzwerken. (C) Weißes Licht-Endoskopie Bild mit HSI-AI unterstützte Diagnose nach zwei Wochen der Endoskopie Arzt optische Diagnose Fähigkeit Bewertung.

Zur Beurteilung der diagnostischen Fähigkeit der Endoskopen für Klein- und Kleindarmschläge wurden vier Senior-Endoskopen (insgesamt > 2.000 Screening-Koloskopien) und sechs Junior-Endoskopen (insgesamt 200-400 Fälle) eingeladen. Der Test erfolgt in Form eines Fragebogens und wird auf der Grundlage eines weißen Lichtendoskopbilders beurteilt, das eine konzentrierte Läse testet. Zur Beurteilung der Effizienz der unterstützten Diagnose durch einen Junior-Endoskopen und einen Experten-Endoskopen wurden die Bilder zweimal überprüft, zuerst durch einen unabhängigen Test des Endoskopen und dann durch eine Reinigungsperiode von zwei Wochen zwischen den beiden Tests, bevor der Endoskope die endgültige Diagnose machte, mit den Prognosen des HSI-AI-Modells informiert, der als HSI-AI-unterstützter Diagnosetest bezeichnet wird, und die endgültigen Ergebnisse verglichen werden.

Die diagnostische Leistung des Modells wird mittels einer Verwirrungsmatrix bewertet. Genauigkeit (Accuracy) bezeichnet den Anteil, in dem das Klassifizierungsmodell in allen beobachteten Proben korrekt klassifiziert ist. Zur umfassenden Bewertung der Modellleistung wurden auch die Sensitivität (Sensitivity), Spezifizität (Specificity), positive Prognosewerte (PPV) und negative Prognosewerte (NPV) berechnet und die gesamte diagnostische Fähigkeit des Modells durch die ROC-Kurve des Teilnehmers und die Fläche unter der Kurve (AUC) widerspiegelt. Zu den sekundären Bewertungsindikatoren gehören die diagnostische Leistung von Anfängern und Spezialisten der Endoskopie sowie die Hilfseffizienz des High Spectrum Artificial Intelligence (HSI-AI)-Modells für ihre Diagnose. Alle diagnostischen Indikatoren für Endoskopen werden als Median (Median) und Quartital (IQR) angegeben. Unterschiede zwischen unabhängiger Diagnose und HSI-AI-unterstützter Diagnose mit Mann-Whitney U-Test, beidseitigpWerte kleiner als 0,05 werden als statistisch signifikant angesehen.

Ergebnisse

Insgesamt wurden 94 Gewebeproben von 73 Patienten aufgenommen (64 davon aus einer Protektomie und 30 aus einer Biopsie). Die Ergebnisse der pathologischen Bewertung zeigten: 53 Proben zeigten eine niedrige Grad-Anotrophie (NAA), 28 nicht-tumorale* Fleisch (NNP) und 13 progressive Tumore (AN), darunter 6 Fälle von hochgradigen Anotrophien, 3 Fälle von Velvet und 4 Fälle von Prostatakrebs. Durch die Datenverbesserung wurden 144.900 2D-Bilder aus 161 hochspektralen Bildern erzeugt, die im Verhältnis 6:3:1 in Trainingssätze, Testsätze und Validierungssätze unterteilt wurden.

Durch den Vergleich typischer Spektralkurven für verschiedene Gewebetypen wurden deutliche Unterschiede in Spektralform und Spitzengröße bei drei Gewebetypen (NNP, NAA und AN) im Wellenlängenbereich von 406,9 bis 662,1 nm festgestellt. Die Ergebnisse zeigten, dass bei einer Wellenlänge von 575 nm die Differenzen in der Reflexivität der drei Gewebetypen hoch statistisch signifikant waren (p < 0,001), was darauf hindeutet, dass die hochspektrale Bildgebung effektiv verschiedene Tistopathologietypen unterscheiden kann.

Um die Zuverlässigkeit der Daten zu überprüfen und die Relevanz der 2D-Bilddaten zu untersuchen, wurden zwei Modellexperimente durchgeführt. In der ersten Gruppe von Modellen trainierten die Forscher nach zufälliger Störung zweidimensionaler Bilder, ohne die individuellen Unterschiede zwischen den Proben zu berücksichtigen. Die Ergebnisse zeigten, dass das Modell eine hohe Genauigkeit in allen Gruppen mit AUC von 0,97 bzw. 0,96 für den Trainingssatz und den Testsatz erzielte, was eine gute Korrelation und Konsistenz zwischen den spektralen Bildern in verschiedenen Regionen der gleichen Probe anzeigt (Abbildung 2A).

Abbildung 2 Training, Validierung und Testergebnisse von restlichen neuronalen Netzwerken, die auf hochspektralen Bildgebungen basieren, für die automatische Diagnose (A, B) von neuronalen Netzwerken in den Aufgaben der Tri-Klassifizierung Nicht-Tumor-Lymph / Nicht-Progressives Adenom / Progressives Tumor. (C, D) Leistungsvergleich mehrerer neuronaler Netzwerkmodelle bei der automatischen Klassifizierung von Aufgaben.

In der zweiten Gruppe von Modellen validierten die Forscher unabhängige Patienten, gruppierten die Daten nach Proben und generierten zweidimensionale Bilder. Wenn mehr als 80 % der von derselben Probe erzeugten 2D-Bilder korrekt klassifiziert sind, wird die Probe als korrekt prognostiziert. Die Klassifizierung von drei Gewebegruppen (NNP, NAA und AN) wurde mit einer Gesamtgenauigkeit von 95,8 % und einer durchschnittlichen AUC von 0,97 ausgezeichnet. Eine prädiktive Empfindlichkeit von 99,0 Prozent und eine Spezifizität von 96,0 Prozent für tumorale Läsionen (einschließlich NAA und AN) zeigen, dass das Modell ein hohes diagnostisches Potenzial zur Identifizierung von tumoralen und nicht-tumoralen Fleisch hat.

Durch die Bewertung der diagnostischen Leistung von weißen Lichtendoskopischen Bildern verglichen die Studien die Unterschiede bei der Unterscheidung von AI-unterstützten endoskopischen Ärzten zwischen tumoralem und nicht-tumoralem Fleisch. In der Phase der unabhängigen Diagnose erreichten erfahrene Spezialendoskopen eine mediane Bildgenauigkeit von 91,1% für tumorale * Fleisch gegenüber nur 71,4% für Junior-Ärzte. In der Testkonzentration wurde jedes tumorale * Fleisch im HSI-AI-Modell klassifiziert und nur ein nicht-progressives Adenom (NAA) wurde falsch als progressiver Tumor (AN) eingestuft. Mit Hilfe des HSIAI-Modells stieg die Gesamtmedian-Genauigkeit der Junior-Endoskopen auf 94,7%, was sich dem Niveau der Senior-Ärzte nähert. Die eigene Kontrolle zeigte einen signifikanten Unterschied in der diagnostischen Leistung der primären Gruppe vor und nach KI-Unterstützung (p <0,01), während die ältere Gruppe keinen statistischen Unterschied hatte (p = 0,63). In Bezug auf den negativen Prädiktivwert (NPV) erfüllen mehrere Juniorärzte nach KI-Unterstützung mehr als 90 Prozent die Anforderungen der PIVI-Strategie „Entfernen – Entfernen“; Der mediane NPV in der primären Gruppe stieg von 50,0% auf 88,2% (p = 0,013). Auch die übrigen Diagnoseindikatoren verbesserten sich vollständig*, die spezifischen Daten für den Junior-Arzt sind in Abbildung 3 zu sehen.

Abbildung 3 Diagnostischer Vergleich von Tumor- und Nicht-Tumor-Kolorektalsthen unter Weißlichtendoskopie, ohne Unterstützung (links) und mit HSI-AI (rechts)

Schlussfolgerungen

Diese Studie hat bestätigt, dass die Verwendung von High Spectrum Imaging (HSI) eine präzise Unterscheidung zwischen Adenom und Nicht-Adenom in frischem Darmgewebe ermöglicht und eine weitere Identifizierung von Tumoren im fortschreitenden Stadium ermöglicht. Das Tool verbessert die Diagnose für die Endoskopie und zeigt das Potenzial, KI-unterstützte Diagnosen in Echtzeit mit der Koloskopie zu synchronisieren.