科學研究：深度學習(xi) 精確染色數字活檢切片

用於(yu) 腫瘤數字染色的神經網絡模型激活圖。 （圖片來源：麻省理工學院）

通常使用蘇木精和伊紅染色（H&E）的組織活檢切片，是組織病理學的基石，特別是對於(yu) 需要診斷和判定腫瘤分期的病理學家。由麻省理工學院（MIT）媒體(ti) 實驗室的科學家領導的一個(ge) 研究團隊，與(yu) 斯坦福大學醫學院（Stanford University School of Medicine）、哈佛醫學院（Harvard Medical School）的臨(lin) 床醫生合作，通過研究發現，深度學習(xi) 算法經過實物染色切片的訓練後，可以對活檢切片的數字掃描進行計算機染色。

在盲測實驗中，病理學家使用活檢切片辨別和分級前列腺癌，但他們(men) 無法區別計算機染色的活檢切片圖像和傳(chuan) 統染色的活檢切片。更重要的是，這些電子活檢切片可以用計算機脫色並恢複原貌，以供將來的研究使用。這項研究被總結發表於(yu) JAMA Network Open。

計算機染色和脫色的過程保留了來自癌症患者的少量活檢組織，研究人員和臨(lin) 床醫生用這種方法分析切片，即可無需獲取額外的組織活檢，便能進行診斷和預後的多種檢查。

斯坦福大學病理學副教授、循環腫瘤實驗室主任、論文的共同作者Alarice Lowe說：“我們(men) 開發的脫色工具，可以極大地擴展我們(men) 對數百萬(wan) 張具有已知臨(lin) 床結果數據的切片進行研究的能力。這項成果極有可能被廣泛應用並進行嚴(yan) 格驗證。”

MIT首席研究科學家、研究的通訊作者Pratik Shah表示，研究人員還分析了深度學習(xi) 神經網絡染色切片的步驟，這對於(yu) 深度學習(xi) 係統的臨(lin) 床轉化至關(guan) 重要。

Pratik Shah說：“組織樣本是鎖，算法是鑰匙，但是我們(men) 還要檢驗學習(xi) 係統中得到的數據結果。數據結果解釋並證實了深度學習(xi) 模型可通過隨機臨(lin) 床實驗，並可用於(yu) 臨(lin) 床應用。”

MIT的其他貢獻者包括共同第一作者、技術助理Aman Rana（目前供職於(yu) 亞(ya) 馬遜）和Shah實驗室的博士後Akram Bayat。哈佛醫學院（Harvard Medical School）、布裏翰婦女醫院（Brigham and Women's Hospital）、波士頓大學醫學院（Boston University School of Medicine）和波士頓退伍軍(jun) 人保健部（Veterans Affairs Boston Healthcare）的病理學家為(wei) 對研究結果進行了臨(lin) 床驗證。

創建“姐妹”切片

為(wei) 了製作計算機染色的組織片，Shah和同事一直在訓練深度神經網絡，它通過比較H&E染色前後的數字活檢切片圖形來學習(xi) 。這是一項非常適合神經網絡的工作。Shah說：“它們(men) 在學習(xi) 數據分布和映射方麵非常強大，而人類並不能像它們(men) 學得那樣好。”

Shah稱這些配對為(wei) “姐妹”，並指出神經網絡的訓練是通過展示幾千對切片完成的。訓練完成後，這個(ge) 網絡隻需要“低成本、易獲取、易管理的姐妹”（無染色的活檢圖片），來生成計算機H&E染色的圖像，或者恢複一張被脫色的HE染色圖片

最近的研究中，研究人員使用87,000個(ge) 圖片補丁（整個(ge) 數字圖片的一小部分）來訓練神經網絡，這些補丁來自布裏翰婦女醫院（Brigham and Women's Hospital）2014-2017年的38位男性的前列腺活檢組織掃描圖片。研究人員去除了這些組織和患者的電子健康記錄。

當Shah和同事逐像素比較常規染色圖像和計算機染色圖像時，他們(men) 發現，神經網絡展現出準確的虛擬HE染色，生成的圖像與(yu) 染色後的圖像有90%~96%的相似度。深度學習(xi) 算法也可以逆轉染色的過程，對切片脫色，以相似的準確度恢複原貌。

Lowe說：“這項工作表明，計算機算法能夠可靠地使用未染色的組織並模擬H&E組織化學染色。”Lowe還表示，這個(ge) 過程為(wei) 病理學家常用的其他染色和分析方法奠定基礎。

計算機染色的切片使得耗費時間的染色自動化運作，但Shah說，深度學習(xi) 真正的技術優(you) 勢，是脫色並保留圖像以供將來使用。他說：“我們(men) 不僅(jin) 僅(jin) 在解決(jue) 染色的問題，我們(men) 還在解決(jue) 組織保留的問題。”

軟件即醫療設備

作為(wei) 研究的一部分，四位經過認證、訓練有素的病理學專(zhuan) 家標記了13組計算機染色的和傳(chuan) 統染色的切片，以便用於(yu) 潛在腫瘤的鑒定和分級。第一輪對四位病理學家隨機分組，其中兩(liang) 位使用計算機染色圖像，另外兩(liang) 位使用H&E染色圖像。四周後，兩(liang) 組專(zhuan) 家調換了圖像集，並開始下一輪。兩(liang) 組圖像中，專(zhuan) 家的鑒定有95%是相同的。Shah說，“人類無法區別它們(men) 。”

病理學家對計算機染色圖像的評估和患者的電子健康記錄中包含的大多數初步臨(lin) 床診斷一致。研究人員發現，有兩(liang) 組計算機染色的圖像推翻了原有的診斷結果。

Lowe說：“事實上，數字染色圖像上呈現出較高準確度的診斷，說明圖像質量的高保真度。”

研究還有一個(ge) 重要的內(nei) 容，即用全新的方法將神經網絡可視化，並解析神經網絡如何對圖像進行計算機染色和脫色。研究人員創建出一種逐像素可視化，並使用神經網絡模型的激活圖來解析處理過程，這些激活圖對應於(yu) 臨(lin) 床醫生用於(yu) 鑒別診斷的腫瘤等特征。

Shah與(yu) 美國食品藥品監督管理局（U.S. Food and Drug Administration）致力於(yu) 計算醫學的規範和轉化，以便臨(lin) 床應用。他表示，這種分析有助於(yu) 創建一個(ge) 驗證過程，在評估“軟件即醫療設備”是必需的。

Shah說：“問題是，我們(men) 如何把這項技術推廣到臨(lin) 床，最大程度惠及患者和醫生。技術推廣的過程包括這些：高質量數據，計算機科學、模型解析和基準性能、圖像可視化，以及與(yu) 臨(lin) 床醫生合作進行多輪評價(jia) 。”

作者：Becky Ham

翻譯：陳振翀

審校：巢栩嘉

引進來源：麻省理工學院

引進鏈接：https://medicalxpress.com/news/2020-05-deep-accurately-digital-biopsy.html

關(guan) 注【深圳科普】微信公眾(zhong) 號，在對話框：

回複【最新活動】，了解近期科普活動

回複【科普行】，了解最新深圳科普行活動

回複【研學營】，了解最新科普研學營

回複【科普課堂】，了解最新科普課堂

回複【科普書(shu) 籍】，了解最新科普書(shu) 籍

回複【團體(ti) 定製】，了解最新團體(ti) 定製活動

回複【科普基地】，了解深圳科普基地詳情

回複【觀鳥星空体育官网入口网站】，學習(xi) 觀鳥相關(guan) 科普星空体育官网入口网站

回複【博物學院】，了解更多博物學院活動詳情