Direção de aplicação:

As tecnologias de imagem de alto espectro apresentam amplas perspectivas de aplicação no campo do diagnóstico médico. A imagem de alto espectro pode obter simultaneamente a estrutura espacial e a informação espectral do tecido em uma única imagem, revelando as características microópticas das células e tecidos em diferentes bandas, alcançando o reconhecimento quantitativo e não invasivo do tecido lesionado. Sua direção de aplicação no campo do diagnóstico médico inclui principalmente: diagnóstico óptico de lesiões colon-retais e pré-cancerosas, alcançando a distinção em tempo real de carne adenomática e não tumoral * na endoscopia; Identificação rápida do tecido e localização da borda durante a cirurgia para ajudar o médico a remover a lesão com precisão; Análise de cortes patológicos e classificação automática.

Antecedentes:

O câncer colorretal é a segunda maior causa de morte por câncer em todo o mundo, e a chave para o controle é a detecção precoce e a remoção da lesão pré-cancerosa, a colitose. Atualmente, a colonoscopia é considerada a primeira maneira de prevenir o câncer colorretal avançado e reduzir a mortalidade. No entanto, em exames práticos, a maioria das protésias encontradas é de tamanho menor (diâmetro de 6-9 mm) ou extremamente pequeno (1-5 mm), com uma proporção extremamente baixa de características patológicas avançadas ou potencial canceroso. A prática tradicional é fazer testes patológicos paralelos para a remoção de todos os protósitos, mas essa abordagem aumenta o custo e a carga de trabalho. Para isso, a estratégia de "remover e descartar" baseada no diagnóstico óptico é proposta, ou seja, a utilização de técnicas de imagem endoscópica de alta precisão para avaliar com precisão as propriedades da protise sob o endoscópio, eliminando assim parte do teste patológico.

No entanto, as técnicas de diagnóstico óptico existentes (como a imagem de banda estreita NBI, imagem de raio azul BLI, etc.) ainda têm limitações na prática clínica: a precisão depende de endoscópicos experientes.Máia consistência no diagnóstico do iniciante; Enquanto isso, a inteligência artificial, apesar de ter sido usada para auxiliar o reconhecimento de parâmetros, está limitada a problemas como a falta de especificidade, a má interpretabilidade do modelo e a grande heterogeneidade dos dados de treinamento.

Para superar essas dificuldades, este estudo introduziu técnicas de imagem de alto espectro. A tecnologia combina imagens digitais com análises espectrais para capturar simultaneamente a morfologia e as características espectrais do tecido em cada nível de pixel, obtendo informações espectrais ricas que refletem a composição bioquímica do tecido e as mudanças patológicas. Em comparação com as imagens RGB tradicionais, as imagens de alto espectro revelam diferenças histológicas invisíveis ao olho nu, fornecendo uma nova base para o reconhecimento histológico e a classificação patológica.

Informação do autor:Pengcheng, Hospital Xilu da Universidade de Shandong

Fonte do periódico:Medicina do câncer

Conteúdo da pesquisa

O objetivo deste estudo é desenvolver e validar um algoritmo de classificação de tecido coloretal baseado em imagem de alto espectro e aprendizagem profunda (rede residual, aprendizagem migratória) para distinguir rapidamente entre carne tumoral e não tumoral* na endoscopia, facilitando assim a implantação de estratégias de “remoção e descarte” auxiliadas pela inteligência artificial, melhorando a precisão do diagnóstico e reduzindo os custos de saúde.

Projeto Experimental

Durante a operação de colonoscopia, todos os papilados são primeiramente removidos com uma armadilha fria (CSP); Para lesões pequenas com diâmetro ≤ 3 mm e dificuldade tecnológica CSP, é removido completamente com pinças de biopsia. Este estudo incluiu somente amostras de mucosa fresca com carpes < 1 cm; Para permitir que o modelo aprenda características patológicas de nível superior, a biopsia do tumor em progressão foi coletada simultaneamente. Após a remoção/pinçagem, imagem com câmera de alta espectroscopia (HS) é realizada imediatamente de acordo com a operação padronizada, o processo é resumido na Figura 1A.

A coleta de dados de imagem de alto espectro é feita com o dispositivo GaiaMicro-V10 E-HR de duplo espectro, que inclui a série GaiaMicro de câmeras de alto espectro, microscópios, quadros brancos de calibração, mantenedores de sistema e objetivos de microscópio. A série Gaia Micro inclui câmeras de alto espectro empurradas embutidas que empurram o espaço para obter cubos de dados de alto espectro. Coleta imagens com um tamanho espacial de 1101 linhas para gerar 960 x 1101 x 360 (linhas x linhas x bandas).

Todas as amostras de colo-retais foram fixadas com formalina, cortadas com parafina e tingidas com H&E. Dois especialistas em patologia experientes leram o filme de forma independente e fizeram o diagnóstico final de acordo com os critérios de classificação de tumores colorretais da Organização Mundial da Saúde. De acordo com o consenso do Grupo de Trabalho do Câncer Colorretal da Multi-Sociedade Americana, a amostra foi dividida em duas grandes categorias de lesões não tumorais e lesões tumorais, nas quais as lesões tumorais são subdivididas em adenomas não progressivos e tumores progressivos.

Métodos de pesquisa

Para equilibrar o número de amostras de diferentes etiquetas histológicas, implementamos melhorias de dados para cada categoria: ampliamos imagens de alto espectro com vários campos de visão selecionados aleatoriamente para cada amostra. Para desafios de alta dimensão de dados de alto espectro e grande volume de cálculo, extraímos informações espectrais e espaciais do cubo original de alto espectro e reconstruímos em imagens bidimensionais (2D); A Figura 1B mostra intuitivamente a correspondência entre o espectro unidimensional e a imagem 2D. Cada imagem HS pode gerar 900 imagens 2D após a redução dimensional.

O estudo baseou-se em um modelo de treinamento de rede neural convulsiva bidimensional (CNN 2D) para a classificação automática de imagens de lesiões do colo-recto. A rede é capaz de combinar simultaneamente informações espectrais e espaciais de amostras para uma análise abrangente das características organizacionais. Para superar os problemas de desaparecimento de gradientes e degradação da rede que as redes neurais convulsivas tradicionais são propensas a apresentar quando o número de camadas da rede se aprofunda e melhorar ainda mais o desempenho do modelo, a estrutura de rede residual (ResNet) foi usada no estudo. É uma maneira de ajustar os parâmetros do modelo existente para adaptá-los a novas tarefas ou novas características de dados. Neste estudo, os pesquisadores adotaram uma estratégia de aprendizagem migratória, carregando parâmetros do modelo ResNet pré-treinados como um peso inicial, adicionando uma camada de conexão completa no final do modelo e reconstruindo toda a estrutura de camadas da rede para melhorar a capacidade do modelo de reconhecer diferentes tipos de patologia de retinopatia (como mostrado na Figura 1B).

Figura 1 Desenho experimental e fluxo de trabalho (A) Diagrama de imagem espectral alta in situ e análise espectral de tecido protótico fresco na colonoscopia. (B) Propriedades espectro-espaciais de cubos de alto espectro, conversão de cubos em imagens bidimensionais e ilustração da arquitetura de modelos de redes neurais residuais. (C) Imagem endoscópica de luz branca com diagnóstico auxiliar HSI-AI avaliação da capacidade de diagnóstico óptico do médico endoscópico após duas semanas.

Para avaliar a capacidade de diagnóstico dos endoscópicos para o coloreto pequeno e microrretal, o estudo convidou quatro endoscópicos veteranos (um total de > 2.000 casos de colonoscopia de triagem) e seis endoscópicos juniores (um total de 200-400 casos). O teste é realizado em forma de questionário, com base em imagens endoscópicas de luz branca que testam a lesão concentrada. Para avaliar a eficiência do diagnóstico auxiliar do endoscópio primário e do endoscópio especialista, as imagens foram revisadas duas vezes, primeiro com um teste independente do endoscópio e, em seguida, informadas sobre as previsões do modelo HSI-AI antes de fazer o diagnóstico final, conhecido como teste de diagnóstico auxiliar HSI-AI, com um período de limpeza de duas semanas entre os dois testes e uma comparação dos resultados finais.

Avaliar o desempenho diagnóstico do modelo por meio de uma matriz de confusão. A precisão é a proporção em que o modelo de classificação é classificado corretamente em todas as amostras observadas. Para uma avaliação abrangente do desempenho do modelo, a sensibilidade, a especificidade, a previsão positiva (PPV), a previsão negativa (NPV) e a capacidade de diagnóstico global do modelo foram calculados através da curva ROC do sujeito e da área abaixo da curva (AUC). Os indicadores de avaliação secundários incluem o desempenho diagnóstico dos endoscópicos iniciantes e especialistas, bem como a eficiência auxiliar do modelo de inteligência artificial de alto espectro (HSI-AI) em seu diagnóstico. Todos os diagnósticos de endoscópicos são apresentados em média e quartil (QI). Comparação das diferenças entre diagnóstico independente e diagnóstico auxiliar HSI-AI com o teste Mann-Whitney U, bilateralpValores menores de 0,05 são considerados estatisticamente significativos.

resultado

No total, foram incluídas 94 amostras de tecido de 73 pacientes (64 de protetomia e 30 de biopsia). A avaliação patológica mostrou que 53 amostras eram de adenoma de baixo grau (adenoma não progressivo, NAA), 28 de carne não tumoral (NNP) e 13 de tumores progressivos (AN), incluindo 6 casos de adenoma de alto grau (adenoma de alto grau), 3 casos de papilloma e 4 casos de câncer de próstata. Com a melhoria dos dados, 144.900 imagens bidimensionais foram geradas a partir de 161 imagens de alto espectro, divididas em conjuntos de treinamento, teste e validação em proporções de 6:3:1.

Comparando as curvas espectrais típicas de diferentes tipos de tecidos, foram observadas diferenças significativas entre as formas espectrais e os tamanhos de pico de três tipos de tecidos (NNP, NAA e AN) na faixa de comprimentos de onda 406,9-662,1 nm. Os resultados mostraram que as diferenças de refletidão entre os três tipos de tecidos foram altamente estatisticamente significativas (p < 0,001) em comprimentos de onda de 575 nm, o que sugere que a imagem espectral elevada é eficaz para distinguir diferentes tipos de histopatologia.

Para verificar a confiabilidade dos dados e explorar a relevância dos dados de imagem bidimensional, o estudo realizou dois conjuntos de experimentos de modelo. No primeiro grupo de modelos, os pesquisadores treinaram depois de interromper aleatoriamente imagens bidimensionais, sem considerar as diferenças individuais entre as amostras. Os resultados mostraram que o modelo obteve alta precisão em todos os grupos, com AUCs de 0,97 e 0,96 para os conjuntos de treinamento e teste, respectivamente, indicando uma boa correlação e consistência entre imagens espectrais em diferentes regiões da mesma amostra (Figura 2A).

Figura 2 Resultados do treinamento, validação e teste de redes neuronais residuais de diagnóstico automático (A, B) com base em imagens de alto espectro em tarefas de classificação não-tumoral epitaxial / adenoma não progressivo / tumor progressivo. (C, D) Comparação do desempenho de vários modelos de redes neurais em tarefas de classificação automática.

No segundo grupo de modelos, os pesquisadores verificaram pacientes independentes, agruparam os dados por amostra e geraram imagens bidimensionais separadamente. Se mais de 80% das imagens bidimensionais geradas pela mesma amostra forem classificadas corretamente, a amostra será considerada correta. Os resultados do modelo foram excelentes para classificação de três tipos de tecidos (NNP, NAA e AN), com uma precisão geral de 95,8% e uma AUC média de 0,97. A sensibilidade preditiva para lesões tumorais, incluindo NAA e AN, foi de 99,0% e a especificidade de 96,0%, mostrando que o modelo tem um alto potencial diagnóstico para identificar carne tumoral e não tumoral.

Ao avaliar o desempenho diagnóstico das imagens endoscópicas de luz branca, o estudo comparou as diferenças entre os endoscópicos assistidos pela IA na distinção entre tumorais e não tumorais. Durante a fase de diagnóstico independente, os endoscópicos especializados experientes tiveram uma taxa média de precisão de diagnóstico de imagem única de carne tumoral de 91,1%, em comparação com apenas 71,4% para os médicos primários. No conjunto de testes, o modelo HSI-AI classificou cada tumor * e apenas um caso de adenoma não progressivo (NAA) foi erroneamente classificado como tumor progressivo (AN). Aumentada pelo modelo HSIAI, a precisão média global dos endoscópicos primários aumentou para 94,7%, aproximando-se do nível dos médicos sêniores. O autocontrole mostrou diferenças significativas no desempenho diagnóstico do grupo primário antes e depois da assistência de IA (p < 0,01), enquanto que o grupo sénior não teve diferenças estatísticas (p = 0,63). Em termos de valor preditivo negativo (NPV), mais de 90% dos médicos primários foram assistidos pela IA, cumprindo os requisitos da estratégia PIVI de "eliminação-descarte". O NPV médio global do grupo primário aumentou de 50,0% para 88,2% (p = 0,013). Os demais indicadores de diagnóstico também foram totalmente melhorados, com dados específicos do médico primário na Figura 3.

Figura 3 Comparação do desempenho diagnóstico de endoscopistas primários com imagens de endoscopia de luz branca, sem assistência (esquerda) e com HSI-AI (direita)

conclusão

Este estudo confirmou que a utilização de imagens espectrais elevadas (HSI) permitiu a distinção de alta precisão entre adenomas e não-adenomas no tecido cólon fresco e a identificação adicional de tumores em fase de progressão. A ferramenta melhora significativamente o diagnóstico dos endoscópicos primários, demonstrando o potencial de sincronização em tempo real de diagnóstico assistido pela IA com a colonoscopia.