近红外成像和机器学习可以识别隐藏的肿瘤

科学家表明，近红外高光谱成像结合机器学习可以可视化深层组织中的肿瘤，并被粘膜层覆盖胃肠道间质瘤是消化道肿瘤，生长在覆盖我们器官的粘液层下方。由于它们位于组织深处，这些“粘膜下肿瘤”即使通过活组织检查也难以检测和诊断。

现在，来自的研究人员开发了一种新的微创和准确方法，使用红外成像和机器学习来区分正常组织和肿瘤区域。该技术具有广泛临床应用的强大潜力。

肿瘤即使是良性的，也会对周围的血管和组织造成损害。如果它们是恶性的，它们就会具有攻击性和偷偷摸摸，并且通常具有不可逆转的破坏性。在后一种情况下，早期发现是治疗和康复的关键。但这种检测有时需要先进的成像技术，超出了目前商业上可用的技术。

Takemura博士及其团队开发的机器学习技术可以在切除肿瘤的离体图像中区分肿瘤组织和健康组织，准确率为86%。图片来源：东京理科大学的HiroshiTakemura

例如，一些肿瘤发生在器官和组织的深处，被粘膜层覆盖，这使得科学家很难用内窥镜检查(通过细管将小型相机插入患者体内)等标准方法直接观察它们或到达他们在活检期间。特别是胃肠道间质瘤(GIST)——通常在胃和小肠中发现——需要非常耗时并延长诊断时间的苛刻技术。

现在，为了改善GIST诊断，Drs.国立癌症中心医院东区的DaikiSato、HiroakiIkematsu和TakeshiKuwata，RIKEN先进光子学中心的HideoYokota博士和Dr.东京理科大学的ToshihiroTakamatsu和KoheiSoga由HiroshiTakemura博士领导，开发了一种使用近红外高光谱成像(NIR-HSI)和机器学习的技术。他们的发现发表在《自然科学报告》上。

“这种技术有点像X射线，其想法是使用可以穿过身体的电磁辐射来生成内部结构的图像，”Takemura博士解释说，“不同之处在于X射线为0.01-10nm，但近红外波长约为800-2500nm。在那个波长下，近红外辐射使组织在图像中看起来是透明的。而且这些波长对患者的危害甚至比可见光还要小。”

这应该意味着科学家们可以安全地研究隐藏在组织内部的东西，但在Takemura博士及其同事的研究之前，没有人尝试将NIR-HSI用于像GIST这样的深部肿瘤。谈到让他们走上这条调查线的原因，竹村博士向开始他们旅程的已故教授表示敬意：“这个项目之所以成为可能，是因为已故的金子和弘教授打破了医生和工程师之间的障碍并建立了这种合作关系。我们正在遵循他的意愿。”

Takemura博士的团队对12名确诊的GIST患者进行了成像实验，这些患者通过手术切除了肿瘤。科学家们使用NIR-HSI对切除的组织进行成像，然后让病理学家检查图像以确定正常组织和肿瘤组织之间的边界。然后将这些图像用作机器学习算法的训练数据，本质上是教计算机程序区分图像中代表正常组织的像素与代表肿瘤组织的像素。

科学家们发现，尽管12个测试肿瘤中有10个完全或部分被粘膜层覆盖，但机器学习分析在识别GIST、正确颜色编码肿瘤和非肿瘤切片方面的准确率为86%。“这是一个非常令人兴奋的进展，”Takemura博士解释说，“无需活检即可准确、快速和无创地诊断不同类型的粘膜下肿瘤，这是一种需要手术的手术，对患者和患者来说都容易得多。医生。”

Takemura博士承认前方仍然存在挑战，但认为他们已准备好解决这些挑战。研究人员确定了几个可以改进结果的领域，例如使他们的训练数据集更大，为机器学习算法添加有关肿瘤深度的信息，以及在分析中包括其他类型的肿瘤。开发基于现有内窥镜技术的NIR-HSI系统的工作也在进行中。

“我们已经构建了一种将NIR-HSI相机连接到内窥镜末端的设备，并希望很快就能直接对患者进行NIR-HSI分析，而不仅仅是对手术切除的组织进行分析，”Takemura博士说，“在未来，这将帮助我们将GIST与其他类型的黏膜下肿瘤区分开来，这些肿瘤可能更加恶性和危险。通过这种跨学科合作，这项研究是未来朝着更具开创性研究迈出的第一步。”

标签：