Hướng ứng dụng:

Công nghệ hình ảnh quang phổ cao cho thấy triển vọng ứng dụng rộng rãi trong lĩnh vực chẩn đoán y tế. Hình ảnh quang phổ cao có thể đồng thời thu được cấu trúc không gian và thông tin quang phổ của các mô trong một hình ảnh duy nhất, tiết lộ các đặc điểm quang học vi mô của các tế bào và mô ở các dải khác nhau, để đạt được nhận dạng không xâm lấn, định lượng của các mô bệnh. Hướng ứng dụng của nó trong lĩnh vực chẩn đoán y tế chủ yếu bao gồm: chẩn đoán quang học của polyp đại trực tràng và tổn thương tiền ung thư, để đạt được sự phân biệt thời gian thực giữa adenoma và không khối u * thịt trong nội soi; Trong phẫu thuật nhanh chóng tổ chức phân biệt và định vị cắt, hỗ trợ bác sĩ cắt bỏ chính xác ổ bệnh; Phân tích cắt lát bệnh lý và phân loại tự động.

Nền:

Ung thư đại trực tràng là nguyên nhân lớn thứ hai gây tử vong do ung thư trên toàn thế giới, mấu chốt để phòng ngừa và phòng ngừa là phát hiện sớm và loại bỏ các tổn thương tiền ung thư - polyp đại trực tràng. Hiện nay, nội soi đại tràng được coi là phương pháp đầu tiên để ngăn ngừa ung thư đại trực tràng tiến triển và giảm tỷ lệ tử vong. Tuy nhiên, trong quá trình kiểm tra thực tế, hầu hết các polyp được tìm thấy có kích thước nhỏ (đường kính 6-9 mm) hoặc cực kỳ nhỏ (1-5 mm), với tỷ lệ rất thấp các đặc điểm bệnh lý tiên tiến hoặc tiềm năng ung thư. Phương pháp truyền thống là tiến hành kiểm tra bệnh lý song song loại bỏ tất cả các polyp, nhưng cách này làm tăng chi phí so với gánh nặng công việc. Để đạt được điều này, chiến lược "loại bỏ và loại bỏ" dựa trên chẩn đoán quang học đã được đề xuất, đó là sử dụng công nghệ hình ảnh nội soi chính xác cao để đánh giá chính xác các tính chất của polyp dưới nội soi, do đó loại bỏ một số xét nghiệm bệnh lý.

Tuy nhiên, các kỹ thuật chẩn đoán quang học hiện có (như NBI hình ảnh băng hẹp, BLI hình ảnh ánh sáng xanh, v.v.) vẫn còn hạn chế trong thực hành lâm sàng: độ chính xác phụ thuộc vào các bác sĩ nội soi có kinh nghiệm,Tính nhất quán chẩn đoán kém cho người mới bắt đầu; Bên cạnh đó, trí tuệ nhân tạo mặc dù đã dùng để hỗ trợ nhận dạng thịt, nhưng do các vấn đề như thiếu tính đặc biệt, tính giải thích của mô hình kém và tính khác chất của dữ liệu huấn luyện lớn, v. v., việc quảng bá của nó vẫn bị cản trở.

Để khắc phục những khó khăn nêu trên, công nghệ hình ảnh quang phổ cao đã được giới thiệu trong nghiên cứu này. Công nghệ này kết hợp hình ảnh kỹ thuật số với phân tích quang phổ để nắm bắt đồng thời các đặc điểm hình thái và phổ của mô ở mỗi cấp độ pixel, thu được thông tin quang phổ phong phú phản ánh thành phần sinh hóa và thay đổi bệnh lý của mô. So với hình ảnh RGB truyền thống, hình ảnh quang phổ cao cho thấy sự khác biệt mô không thể nhìn thấy bằng mắt thường, cung cấp một cơ sở mới để xác định tính chất mô học và phân loại bệnh lý.

Thông tin tác giả:Bành Trình, Bệnh viện Tề Lỗ Đại học Sơn Đông

Nguồn tạp chí:Y học ung thư

Nội dung nghiên cứu

Nghiên cứu này nhằm mục đích phát triển và xác minh một thuật toán phân loại mô polyp đại trực tràng dựa trên hình ảnh quang phổ cao so với học sâu (mạng dư thừa, học di chuyển) để nhanh chóng phân biệt giữa thịt khối u và không khối u * trong nội soi, do đó thúc đẩy chiến lược "loại bỏ và loại bỏ" được hỗ trợ bởi AI trên mặt đất, tăng độ chính xác chẩn đoán và giảm chi phí chăm sóc sức khỏe.

Thiết kế thí nghiệm

Trong quá trình nội soi, tất cả các polyp đầu tiên được loại bỏ bằng bẫy lạnh (CSP); Đối với các ổ bệnh nhỏ có đường kính ≤3 mm, công nghệ CSP khó khăn hơn, nó được loại bỏ hoàn toàn bằng kìm sinh thiết. Nghiên cứu này chỉ bao gồm các mẫu niêm mạc tươi với polyp<1 cm; Để mô hình có được các đặc điểm bệnh lý cao hơn, sinh thiết khối u tiến triển cũng được thu thập đồng bộ. Một khi polyp hoặc ổ cắm được loại bỏ/kẹp, ngay lập tức được chụp bằng máy ảnh quang phổ cao (HS) theo hoạt động tiêu chuẩn, xem Hình 1A về quy trình ngắn gọn.

Việc thu thập dữ liệu hình ảnh quang phổ cao sử dụng thiết bị GaiaMicro-V10 E-HR song song, bao gồm dòng máy ảnh quang phổ cao GaiaMicro, kính hiển vi, bảng trắng hiệu chuẩn, bộ giữ hệ thống và mục tiêu kính hiển vi. Dòng Gaia Micro bao gồm một máy ảnh phổ cao tích hợp đẩy đẩy đẩy không gian để có được một khối dữ liệu phổ cao. Thu thập hình ảnh với kích thước không gian 1101 hàng, tạo ra 960 × 1101 × 360 (số hàng × số hàng × số băng tần).

Tất cả các mẫu polyp đại trực tràng được cố định bằng formalin, cắt lát sau khi bọc parafin và nhuộm với H&E. Hai chuyên gia bệnh lý có nhiều kinh nghiệm đã độc lập xem xét và đưa ra chẩn đoán cuối cùng dựa trên các tiêu chí phân loại khối u đại trực tràng của Tổ chức Y tế Thế giới. Căn cứ vào nhận thức chung của nhóm công tác ung thư đại trực tràng đa học Mỹ, mẫu vật được chia làm hai loại lớn là bệnh biến không ung thư và bệnh biến ung thư, trong đó bệnh biến ung thư tiếp tục chia nhỏ thành u tuyến không tiến triển và khối u tiến triển.

Phương pháp nghiên cứu

Để cân bằng số lượng mẫu từ các nhãn mô học khác nhau, chúng tôi thực hiện cải tiến dữ liệu cho từng loại: khuếch đại hình ảnh quang phổ cao với nhiều trường nhìn được chọn ngẫu nhiên cho mỗi mẫu. Đối với các vấn đề khó khăn về chiều cao và tính toán của dữ liệu quang phổ cao, chúng tôi trích xuất thông tin quang phổ và không gian từ các khối phổ cao ban đầu và tái cấu trúc thành hình ảnh hai chiều (2D); Hình 1B cho thấy trực quan cách phổ một chiều tương ứng với hình ảnh 2D. Mỗi hình ảnh HS có thể tạo ra 900 hình ảnh 2D sau khi giảm chiều.

Nghiên cứu này dựa trên mô hình đào tạo Mạng thần kinh tích chập 2D (2D CNN) để thực hiện phân loại tự động các hình ảnh tổn thương đại trực tràng. Mạng lưới này có thể đồng thời kết hợp thông tin quang phổ của mẫu với thông tin không gian, tiến hành phân tích tổng hợp đặc điểm tổ chức. Để khắc phục sự biến mất gradient và suy thoái mạng dễ xảy ra của các mạng nơ-ron tích chập truyền thống khi các lớp mạng sâu hơn và để cải thiện hơn nữa hiệu suất của mô hình, cấu trúc mạng dư (ResNet) đã được sử dụng trong nghiên cứu. Đó là một cách để điều chỉnh các tham số mô hình hiện có cho một nhiệm vụ mới hoặc các tính năng dữ liệu mới bằng cách tinh chỉnh chúng. Trong nghiên cứu này, các nhà nghiên cứu đã sử dụng chiến lược học tập di chuyển, tải các tham số mô hình ResNet được đào tạo trước làm trọng lượng ban đầu, sau đó thêm các lớp kết nối đầy đủ vào cuối mô hình và thiết lập lại tất cả các cấu trúc lớp của mạng để tăng cường khả năng nhận biết của mô hình đối với các polyp đại trực tràng của các loại bệnh lý khác nhau (xem Hình 1B).

Hình 1 Sơ đồ hình ảnh và phân tích quang phổ cao tại chỗ của mô polyp tươi trong thiết kế thử nghiệm và quy trình làm việc (A). (B) Các đặc tính quang phổ-không gian của các khối phổ cao, chuyển đổi các khối thành hình ảnh hai chiều và sơ đồ kiến trúc mô hình mạng nơ-ron dư. (C) Đánh giá khả năng chẩn đoán quang học của bác sĩ nội soi sau hai tuần với hình ảnh nội soi ánh sáng trắng và chẩn đoán hỗ trợ HSI-AI.

Để đánh giá khả năng chẩn đoán polyp đại trực tràng nhỏ và nhỏ của bác sĩ nội soi, nghiên cứu đã mời 4 bác sĩ nội soi kỳ cựu (tích lũy>2.000 trường hợp sàng lọc nội soi) và 6 bác sĩ nội soi sơ cấp (tích lũy 200-400 trường hợp) tham gia thử nghiệm. Kiểm tra áp dụng hình thức bảng câu hỏi, dựa trên hình ảnh nội soi ánh sáng trắng của ổ bệnh tập trung kiểm tra để đánh giá. Để đánh giá hiệu quả chẩn đoán được hỗ trợ của bác sĩ nội soi chính và bác sĩ nội soi chuyên gia, hình ảnh được kiểm tra lại hai lần riêng biệt, trước tiên bác sĩ nội soi được kiểm tra độc lập và sau đó được thông báo về kết quả dự đoán của mô hình HSI-AI trước khi bác sĩ nội soi đưa ra chẩn đoán cuối cùng, được gọi là xét nghiệm chẩn đoán được hỗ trợ HSI-AI, thời gian làm sạch giữa hai xét nghiệm là 2 tuần và kết quả cuối cùng được so sánh.

Hiệu suất chẩn đoán của mô hình được đánh giá bằng ma trận nhầm lẫn (confusion matrix). Độ chính xác (Accuracy) đại diện cho tỷ lệ mà mô hình phân loại được phân loại chính xác trong tất cả các mẫu quan sát. Để đánh giá đầy đủ hiệu suất của mô hình, độ nhạy (sensitivity), độ đặc hiệu (specificity), giá trị dự đoán dương tính (PPV), giá trị dự đoán âm tính (NPV) cũng được tính toán và phản ánh khả năng chẩn đoán tổng thể của mô hình thông qua đường cong đặc điểm làm việc của đối tượng (ROC curve) và diện tích dưới đường cong (AUC). Các chỉ số đánh giá thứ cấp bao gồm hiệu suất chẩn đoán của bác sĩ nội soi sơ cấp và chuyên gia và hiệu quả hỗ trợ chẩn đoán của mô hình trí tuệ nhân tạo phổ cao (HSI-AI). Tất cả các chỉ số chẩn đoán của bác sĩ nội soi được thể hiện bằng trung bình (median) và khoảng cách phân vị (IQR). Sử dụng thử nghiệm Mann-Whitney U để so sánh sự khác biệt giữa chẩn đoán độc lập và chẩn đoán hỗ trợ HSI-AI.pGiá trị nhỏ hơn 0,05 được coi là có ý nghĩa thống kê.

kết quả

Tổng cộng có 94 mẫu mô từ 73 bệnh nhân (64 trong số đó là polypectomy và 30 từ sinh thiết). Kết quả đánh giá bệnh lý cho thấy: 53 mẫu là u tuyến hình ống (u tuyến không tiến triển, NAA), 28 mẫu là u thịt không ung thư (NNP), 13 mẫu là u tiến triển (AN), bao gồm 6 mẫu là u tuyến hình ống (u tuyến không tiến triển), 3 mẫu là u tuyến lông tơ và 4 ung thư tuyến. Sau khi tăng cường dữ liệu, tổng cộng 144.900 hình ảnh 2D đã được tạo ra từ 161 hình ảnh quang phổ cao, được chia thành bộ đào tạo, bộ thử nghiệm và bộ xác minh theo tỷ lệ 6: 3: 1.

Bằng cách so sánh các đường cong phổ điển hình của các loại mô khác nhau, người ta đã tìm thấy sự khác biệt rõ rệt giữa hình dạng phổ và kích thước đỉnh của ba loại mô (NNP, NAA, AN) trong phạm vi bước sóng 406,9-662,1 nm. Kết quả cho thấy sự khác biệt về độ phản xạ trong ba loại mô có ý nghĩa thống kê cao (p<0,001) ở bước sóng 575 nm, cho thấy hình ảnh quang phổ cao có thể phân biệt hiệu quả các loại bệnh lý mô khác nhau.

Để xác minh độ tin cậy của dữ liệu và khám phá sự liên quan của dữ liệu hình ảnh hai chiều, nghiên cứu đã thực hiện hai bộ thí nghiệm mô hình. Trong bộ mô hình đầu tiên, các nhà nghiên cứu đã đào tạo các hình ảnh hai chiều sau khi chúng bị xáo trộn ngẫu nhiên, bất kể sự khác biệt cá nhân giữa các mẫu. Kết quả cho thấy mô hình đạt được độ chính xác cao trong mỗi nhóm, với AUC 0,97 và 0,96 cho bộ huấn luyện và bộ thử nghiệm, minh họa mối tương quan và tính nhất quán tốt giữa các hình ảnh quang phổ ở các khu vực khác nhau của cùng một mẫu (Hình 2A).

Hình 2: Kết quả đào tạo, xác minh và kiểm tra của mạng thần kinh còn sót lại (A, B) dựa trên hình ảnh quang phổ cao trong ba nhiệm vụ phân loại polyp không khối u/u tuyến không tiến triển/u tiến triển của mạng thần kinh. C, D) So sánh hiệu suất của nhiều mô hình mạng nơ-ron trong các nhiệm vụ phân loại tự động.

Trong bộ mô hình thứ hai, các nhà nghiên cứu xác minh trên các bệnh nhân độc lập, phân chia dữ liệu theo nhóm mẫu và tạo ra một hình ảnh hai chiều riêng biệt. Nếu hơn 80% hình ảnh hai chiều được tạo ra bởi cùng một mẫu được phân loại chính xác, mẫu được coi là dự đoán chính xác. Các mô hình có kết quả phân loại xuất sắc đối với ba loại tổ chức (NNP, NAA, AN) với độ chính xác tổng thể là 95,8% và AUC trung bình là 0,97%. Trong số này, độ nhạy dự đoán 99,0% và độ đặc hiệu 96,0% đối với các tổn thương khối u, bao gồm NAA và AN, cho thấy tiềm năng chẩn đoán cao nhất của mô hình trong việc xác định thịt khối u so với thịt không khối u.

Nghiên cứu đã so sánh sự khác biệt giữa các bác sĩ nội soi có hỗ trợ AI trong việc phân biệt thịt khối u và không khối u bằng cách đánh giá hiệu suất chẩn đoán của hình ảnh nội soi ánh sáng trắng. Trong giai đoạn chẩn đoán độc lập, các bác sĩ nội soi chuyên gia có kinh nghiệm đã chẩn đoán chính xác 91,1% đối với thịt khối u * trung bình, so với 71,4% đối với các bác sĩ nội soi chính. Trong tập thử nghiệm, mô hình HSI-AI phân loại từng loại thịt khối u * và chỉ có một trường hợp u tuyến không tiến triển (NAA) bị đánh giá sai là khối u tiến triển (AN). Với sự hỗ trợ của mô hình HSIAI, độ chính xác trung bình tổng thể của các bác sĩ nội soi chính đã tăng lên 94,7%, gần với mức độ của các bác sĩ cao cấp. Kiểm soát riêng của họ cho thấy sự khác biệt đáng kể trong hiệu suất chẩn đoán trước và sau khi AI được hỗ trợ ở nhóm sơ cấp (p<0,01), trong khi không có sự khác biệt thống kê ở nhóm cao cấp (p=0,63). Đối với các giá trị dự đoán âm tính (NPV), nhiều bác sĩ chính đã vượt quá 90% sau khi được hỗ trợ AI, đáp ứng các yêu cầu của chiến lược "loại bỏ-loại bỏ" PIVI; NPV trung bình tổng thể tăng từ 50,0% lên 88,2% (p=0,013). Các chỉ số chẩn đoán còn lại cũng được cải thiện hoàn toàn, xem Hình 3 về dữ liệu cụ thể của bác sĩ sơ cấp.

Hình 3 Hiệu suất chẩn đoán của bác sĩ nội soi chính đối với polyp đại trực tràng khối u và không khối u khi không có sự trợ giúp của (trái) và (phải) HSI-AI dưới hình ảnh nội soi ánh sáng trắng

kết luận

Nghiên cứu này xác nhận rằng việc sử dụng hình ảnh quang phổ cao (HSI) có thể đạt được sự phân biệt chính xác cao giữa u tuyến và u không tuyến trên polyp đại trực tràng trên mô đại tràng tươi và xác định thêm các khối u tiến triển. Công cụ này làm tăng đáng kể mức độ chẩn đoán của các bác sĩ nội soi chính và cho thấy tiềm năng của AI hỗ trợ chẩn đoán đồng bộ hóa với nội soi đại tràng trong thời gian thực.