深度视觉：近红外成像和机器学习可以识别隐藏的肿瘤

科学家表明，近红外高光谱成像与机器学习相结合可以使深部组织中的肿瘤可视化并被粘膜层覆盖

胃肠道间质瘤是在覆盖我们器官的粘液层下生长的消化道肿瘤。由于这些“粘膜下肿瘤”位于组织内部，因此即使进行活检也难以检测和诊断。

现在，日本的研究人员已经开发出一种新颖的微创和精确方法，该方法利用红外成像和机器学习来区分正常组织和肿瘤区域。该技术具有广泛的临床应用潜力。

即使肿瘤是良性的，也会损害周围的血管和组织。如果它们是恶性的，它们会变得攻击性和偷偷摸摸的，并且通常会造成不可挽回的破坏。在后一种情况下，及早发现是治疗和康复的关键。但是，这种检测有时可能需要先进的成像技术，而不是当今商业上可获得的技术。

例如，一些肿瘤发生在器官和组织的深处，被粘膜层覆盖，这使得科学家很难通过标准方法直接观察到它们，例如内窥镜检查(通过细管将小型相机插入患者体内)。他们在活检期间。特别是，通常在胃和小肠中发现的胃肠道间质瘤(GIST)需要苛刻的技术，这些技术非常耗时并且会延长诊断时间。

现在，为了改善GIST诊断，Dr。日本东部国家癌症中心医院的佐藤大树，池松弘明和桑田武志，日本理研先进光子学中心的横田英夫博士和博士。由日本东京科学大学的高松敏弘(Toshihiro Takamatsu)和我的Kohei Soga(Sohei Soga)由武村浩史(Hiroshi Takemura)博士领导，开发了一种将近红外高光谱成像(NIR-HSI)与机器学习一起使用的技术。他们的发现发表在《 自然科学 报告》上 。

Takemura 博士解释说：“这项技术有点像X射线，其思想是使用可以穿过人体的电磁辐射来生成内部结构的图像，”他说， “区别在于X射线的波长为0.01- 10 nm，但近红外在800-2500 nm左右。在该波长下，近红外辐射使组织在图像中显得透明。这些波长甚至比可见光对患者的伤害也更少。”

这应该意味着科学家可以安全地研究组织内部隐藏的东西，但是在Takemura博士及其同事进行的研究之前，还没有人尝试对GIST等深部肿瘤使用NIR-HSI。在谈到促使他们进行此调查的原因时，竹村博士向已开始其研究之旅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Kazuhiro Kaneko教授打破了医生与工程师之间的障碍并建立了这种合作关系。我们正在遵循他的愿望。”

Takemura博士的团队对12例确诊为GIST的患者进行了影像学实验，这些患者通过手术切除了肿瘤。科学家使用NIR-HSI对切除的组织成像，然后让病理学家检查图像以确定正常组织与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，从本质上讲是教计算机程序来区分图像中代表正常组织的像素与代表肿瘤组织的像素。

科学家发现，即使12种测试肿瘤中有10种被粘膜层完全或部分覆盖，机器学习分析仍可有效地识别GIST，正确地对肿瘤和非肿瘤切片进行颜色编码，准确度为86%。 Takemura博士解释说： “这是一个非常令人兴奋的进展，无需进行活检就能够准确，快速且无创地诊断不同类型的粘膜下肿瘤，这种手术需要手术，这对患者和患者都非常容易。医生。”

竹村博士承认仍然存在挑战，但认为他们准备解决这些挑战。研究人员确定了几个可以改善其结果的领域，例如使训练数据集更大，添加有关机器学习算法的肿瘤深度的信息，以及在分析中包括其他类型的肿瘤。正在开发以现有内窥镜技术为基础的NIR-HSI系统的工作。

武村博士说：“我们已经建立了一种将NIR-HSI摄像机连接到内窥镜末端的设备，希望不久后直接对患者进行NIR-HSI分析，而不仅仅是对通过手术切除的组织进行分析。”他说： “将来，这将帮助我们将GIST与其他类型的黏膜下肿瘤分离开来，这些肿瘤甚至可能更加恶性和危险。这项跨学科的合作使这项研究成为未来进行更多突破性研究的第一步。”