어떻게 초전광 영상은 병리학적인 부분에서 염색에 작별 인사를 할 수 있을까요?

전통적인 병리학적 진단에서 유방암 조직 샘플은 고정, 삽입, 절단 및 염색과 같은 10 개 이상의 과정을 거쳐야 합니다.샘플 전달부터 보고서 발급까지수술중 냉동 절단 단계에서 환자는 종종 마취 상태에서 기다려야 합니다.그리고 이 시간을 단축하는 것은 수술의 안전에 매우 중요합니다..

최근 "Scientific Reports"에 발표된 연구에서는 "표지 없는,이 임상 통증 지점에 새로운 해결책을 제공하기 위해 깊은 학습 알고리즘과 결합된.

병리적인 이미지가 색을 잃게 되면

우리가 잘 알고 있는 병리학적 이미지는 보통 H&E 염색 후 파란색과 보라색 색조로 나타납니다. 세포핵과 세포질 사이에 명확한 경계가 있습니다.현미경 초광선 영상 (MHSI) 기술은 가시광선에서 근 적외선 (397-1032 nm) 까지의 128개의 스펙트럼 정보를 염색 없이 조직 구간을 스캔함으로써 얻을 수 있습니다..

이 "오염 없는 상태"의 직접적인 도전은 이미지들의 형태적 대조가 부족하기 때문에 사람의 눈은 직접 해석하기가 어렵습니다.하이퍼 스펙트럼 데이터의 장점은 모든 픽셀 포인트에 대한 연속 스펙트럼 곡선을 기록한다는 사실에 있습니다., 그리고 다른 생화학적 구성 요소 (프로테인, 지방, 핵산 등) 는 특정 파장에서 차별화된 반사 특성을 나타냅니다.이러한 고차원적이고 약한 형태학적 데이터에서 진단적 가치를 가진 정보를 추출하는 방법은 컴퓨팅 병리학에서 새로운 주제가되었습니다..

"단절 진단"을 "다중 인스턴스 학습"으로 전환

연구팀은 60명의 유방암 환자들의 468개의 조직 절개를 포함하는 초전광 데이터 세트를 구성했습니다.지역 시야 영역에서 단점 예측을 수행하는 전통적인 방법과 다릅니다., 연구자들은 병리학적 진단을 다중 인스턴스 학습 (MIL) 문제로 모델링했습니다. 전체 조직 구간을 "백"으로 취급하고,그리고 20개의 다른 영역에서 수집된 스펙트럼 큐브들은모델은 모든 사례의 정보를 합성하여 전체 섹션의 진단 결과를 내야합니다.

이 접근 방식은 병리학자들의 실제 이미지 읽기 논리에 가깝습니다. 먼저 저전력 현미경으로 전 세계를 탐색하고, 그 다음 포괄적 인 판단을 위해 의심스러운 영역에 집중합니다.

다단계 "주의"기제

하이퍼스펙트럼 데이터의 특성을 목표로 연구팀은 다단계 계층주의 네트워크 (MS-HAN) 를 제안했으며, 그 핵심 설계에는 세 가지 핵심 레벨이 포함됩니다.

1다단계 특징 추출은 특징 추출을 위해 동일한 공간 해상도에서 서로 다른 크기의 convolution 커널을 병행하여 Inception 구조에서 교훈을 얻습니다.소소한 스펙트럼 차이에서 지역 텍스처 패턴에 대한 멀티 곡성 정보를 캡처하기 위해.

2이중주의 메커니즘은 먼저 스펙트럼 채널 주의를 통해 대역 간의 의존성을 명시적으로 모델링하여 더 풍부한 정보를 가진 대역에 더 큰 무게를 부여합니다.다음으로 2차원 열지도를 생성합니다. 화소 수준에 의존하지 않고 세포 형태 측면에서 진단 가치가있는 지역을 찾기 위해 공간적 관심을 통해.

3계층적 집계 및 프로토타입 학습 생물학적 스펙트럼의 높은 클래스 내 변동성을 다루기 위해 모델은 학습 가능한 " 프로토타입 벡터"의 세트를 도입합니다."이 프로토타입에 소프트 할당 인스턴스 기능을, 그리고 프로토타입 사용 분포의 엔트로피를 제한함으로써 모드 붕괴를 방지합니다. 마지막으로,자기주의 메커니즘은 섹션 내의 다른 지역 사이의 의존성을 모델링하는 데 사용됩니다., 관심 융합을 통해 전체 섹션의 대표성을 얻습니다.

부위 수준의 라벨만을 사용하는 약한 감독 훈련에서 모델은 독립적인 테스트 세트 (94 부위) 에서 86.7%의 정확성과 0.92의 AUC를 달성했습니다.TransMIL 및 CLAM과 같은 주류 MIL 기본 모델에 비해 통계적으로 유의미한 개선이 나타났습니다..

염색 단계의 방치 및 시간 비용 압축

이 연구의 발판은 병리학자를 대체하는 것이 아니라 "광학 절단"과 "AI 1차 검진"의 작업 흐름을 탐구하는 것입니다." 염색 단계를 생략하는 것은 반응제와 소모품의 비용을 줄이는 것뿐만 아니라하지만 더 중요한 것은 샘플링에서 디지털 진단까지의 시간 창을 크게 압축합니다.이 "컷-스캔-분석" 모드는 마취 환자에게 대기 시간을 단축시킬 것으로 예상됩니다..

물론 이 연구는 아직 개념 증명 단계에 있습니다. 60개의 단일 센터 데이터 세트의 규모는 상대적으로 제한적입니다.그리고 모델의 성능은 준비 유물 앞에서, 낮은 세포 밀도 또는 희귀 분자 하위 유형은 여전히 멀티 센터 및 큰 샘플 데이터로 외부 검증이 필요합니다.그리고 실험실에서 일상적인 병리학 부서로 이동하는 것은 여전히 엔지니어링과 건강 경제 수준에서 고려가 필요합니다..