机器学习结合多光谱红外成像指导癌症手术

肿瘤手术切除仍是最常见的一种程序在癌症治疗中,约有45%的癌症患者接受这种手术。由于最近的进展成像和生化技术,外科医生现在能更好地分辨肿瘤从健康的组织。具体地说,这是通过一种称为“fluorescence-guided手术”的技术(投篮)。

在投篮,病人的组织染色的染料发出红外线当辐照与一个特殊的光源。染料优先结合肿瘤细胞的表面,所以它的光波排放提供肿瘤的位置和程度的信息。在大多数FGS-based方法,红外排放的绝对强度作为主要标准的像素对应于肿瘤。然而,事实证明,强度是敏感的照明条件,相机设置,染料的用量、染色后的时间。因此,灰度分类是容易错误的解释。

但如果我们可以使用一个intensity-independent方法对健康和肿瘤细胞进行分类?最近的一项研究发表在《生物医学光学来自伦敦大学学院,由戴尔·j·沃特豪斯,英国,现在已经提出了这样一个方法。研究小组已经开发出一种新技术,结合机器学习与短波红外(短波红外成像)荧光成像技术检测肿瘤的精确边界。

他们的方法依赖于捕获多光谱的短波红外成像图像染色组织而不是简单地测量总强度超过一个特定的波长。简单的说,团队按顺序放置六个不同的波长频率(颜色)过滤器在短波红外成像光学系统,注册前六为每个像素测量。这使得研究人员创建每个类型的像素的光谱资料(背景、健康或肿瘤)。接下来,他们训练七机器学习模型准确地识别这些概要文件在多光谱短波红外成像图像。

研究人员训练和验证模型体内,积极使用短波红外成像图像和实验室模型类型的神经母细胞瘤。他们也比较不同的归一化方法旨在使像素独立的绝对强度的分类,它是由像素的光谱剖面。

的七个测试模型,表现最好的模型取得了非凡的逐像素分类的准确性(精度为97.5%肿瘤、健康、和背景像素分别为97.1%,93.5%,和99.2%,分别)。此外,由于光谱资料的规范化,模型的结果更健壮的成像条件的变化。这是一个特别的功能,临床应用以来,理想条件下新的成像技术通常是测试并不代表真实临床环境。

根据他们的发现,团队已经对提议的方法。他们预测,试点研究在它的实现人类患者可以帮助改变投篮的领域。此外,多光谱的投篮可以扩展超出了本研究的范围。例如,它可以用来移除手术或背景灯图片,删除不需要的反射,并提供无创测量脂质含量和血氧饱和度的方法。此外,多光谱系统支持同时使用多个具有不同发射特征的荧光染料,由于信号从每个染料可以受伤总测量基于光谱剖面。这些染料可用于目标的多个方面疾病,为外科医生提供更多的信息。

未来的研究肯定会解锁全部潜能的多光谱投篮,打开大门,更有效的外科手术来治疗癌症和其他疾病。