Direction d'application:

La technologie d'imagerie hyperspectrale présente de vastes perspectives d'application dans le domaine du diagnostic médical. L'imagerie hyperspectrale permet d'acquérir simultanément la structure spatiale et les informations spectrales des tissus en une seule image, révélant les caractéristiques optiques microscopiques des cellules et des tissus dans différentes bandes d'ondes, permettant une identification quantitative non invasive des tissus malades. Ses applications dans le domaine du diagnostic médical comprennent principalement: le diagnostic optique des polypes colorectaux et des lésions précancéreuses, permettant la différenciation en temps réel des viandes adénomateuses et non néoplasiques * en endoscopie; Identification rapide des tissus et localisation de la marge de coupure pendant la chirurgie, aidant le médecin à enlever la lésion avec précision; Analyse des coupes pathologiques et typage automatique, etc.

Contexte:

Le cancer colorectal est la deuxième cause de décès par cancer dans le monde et la clé de la prévention et du contrôle réside dans la détection précoce et l’élimination des lésions précancéreuses – polypes colorectaux. Actuellement, la coloscopie est considérée comme le premier * moyen de prévenir le cancer colorectal avancé et de réduire la mortalité. Cependant, lors de l'examen pratique, la plupart des polypes trouvés étaient de petite taille (6 - 9 mm de diamètre) ou très petits (1 - 5 mm), avec une proportion extrêmement faible de caractéristiques pathologiques avancées ou de potentiel cancérogène. La pratique traditionnelle consiste à enlever tous les polypes en parallèle pour les tests pathologiques, mais cela augmente les coûts par rapport à la charge de travail. Pour ce faire, une stratégie de « résection et d'élimination » basée sur le diagnostic optique est proposée, c'est - à - dire l'utilisation de techniques d'imagerie endoscopique de haute précision pour juger avec précision la nature des polypes sous endoscopie, ce qui élimine une partie de la détection pathologique.

Cependant, les techniques de diagnostic optique existantes (telles que l'imagerie à bande étroite NBI, l'imagerie à lumière bleue Bli, etc.) ont encore des limites dans la pratique clinique: la précision repose sur des endoscopistes expérimentés,Mauvaise cohérence du diagnostic pour les débutants; Dans le même temps, bien que l'intelligence artificielle ait été utilisée pour aider à la reconnaissance des polypes, elle est limitée par une spécificité insuffisante, une mauvaise interprétation des modèles et une grande hétérogénéité des données de formation.

Pour surmonter les difficultés mentionnées ci - dessus, cette étude a introduit des techniques d'imagerie hyperspectrale. La technologie combine l'imagerie numérique avec l'analyse spectrale pour capturer simultanément les caractéristiques morphologiques et spectrales des tissus à chaque niveau de pixel, acquérant des informations spectrales riches reflétant la composition biochimique et les changements pathologiques des tissus. Par rapport aux images RGB traditionnelles, les images hyperspectrales révèlent des différences tissulaires invisibles à l'œil nu, fournissant une nouvelle base pour l'identification des propriétés histologiques et le classement des pathologies.

Informations sur l'auteur:Peng Cheng, hôpital Qilu, Université du Shandong

Source du Journal:Médecine du cancer

Contenu de l'étude

Cette étude vise à développer et valider un algorithme de classification des tissus de Polypes colorectaux basé sur l'imagerie hyperspectrale et l'apprentissage profond (réseaux résiduels, apprentissage par migration) pour distinguer rapidement les viandes néoplasiques des viandes non néoplasiques * en endoscopie, ce qui conduit à des stratégies de « résection et de rejet» assistées par l'IA, améliorant la précision du diagnostic et réduisant les coûts des soins de santé.

Conception expérimentale

Lors de l'opération de coloscopie, tous les polypes sont d'abord réséqués à l'aide d'un piège à froid (CSP); Pour les lésions microscopiques de diamètre ≤ 3 mm et de grande difficulté technique CSP, la pince complète est enlevée avec une pince de biopsie. Seuls les spécimens de muqueuses fraîches dont le polype est & lt; 1 cm ont été inclus dans cette étude; Pour permettre au modèle d'acquérir des caractéristiques pathologiques d'ordre supérieur, des biopsies tumorales en phase progressive ont également été acquises de manière synchrone. Une fois que le polype ou le foyer a été enlevé / pincé, il est immédiatement imagé avec une caméra hyperspectrale (HS) selon une opération normalisée, voir la figure 1a pour un bref processus.

L'acquisition de données d'imagerie hyperspectrale utilise l'équipement gaiamicro - V10 e - HR à spectre biliaire, qui comprend la série gaiamicro de caméras hyperspectrales, de microscopes, de tableaux blancs calibrés, de porte - systèmes et d'objectifs de microscope. La série Gaia micro contient une caméra hyperspectrale Push - Sweep intégrée qui pousse l'espace pour obtenir un cube de données hyperspectrales. Les images sont collectées avec une taille spatiale de 1101 lignes, ce qui donne 960 × 1101 × 360 (nombre de lignes × nombre de lignes × nombre de bandes).

Tous les échantillons de Polypes colorectaux ont été fixés au Formol, sectionnés après Encapsulation à la paraffine et colorés avec h & E. Deux pathologistes expérimentés ont indépendamment examiné et donné un diagnostic final basé sur les critères de classification des tumeurs colorectales de l'Organisation mondiale de la santé. Selon le consensus du Groupe de travail sur le cancer colorectal de l'American Multi - Society, les échantillons ont été divisés en deux grandes catégories de lésions non tumorales et tumorales, les lésions tumorales étant subdivisées en Adénomes Non progressifs et tumeurs progressives.

Méthodes de recherche

Afin d'équilibrer le nombre d'échantillons pour différentes étiquettes histologiques, nous avons mis en œuvre une amélioration des données pour chaque catégorie: des images hyperspectrales de plusieurs champs de vision choisis aléatoirement pour chaque échantillon de cas ont été amplifiées. Pour le puzzle des données hyperspectrales de grande dimension et de calcul, nous extrayons des informations spectrales et spatiales du cube Hyperspectral original pour les reconstruire en images bidimensionnelles (2d); La figure 1B montre visuellement la correspondance du spectre unidimensionnel avec l'image 2D. Chaque image HS peut générer 900 images 2D après réduction de dimension.

L'étude est basée sur un modèle d'entraînement de réseau neuronal convolutif bidimensionnel (CNN 2d) pour permettre la classification automatique des images de lésions colorectales. Le réseau est capable de combiner simultanément les informations spectrales des échantillons avec les informations spatiales pour une analyse intégrée des caractéristiques des tissus. Pour surmonter les problèmes de disparition des gradients et de dégradation du réseau auxquels sont sujets les réseaux neuronaux convolutifs traditionnels lorsque les couches du réseau s'approfondissent, et pour améliorer encore les performances du modèle, la structure resnet (réseau résiduel) a été utilisée dans l'étude. Est un moyen d'adapter les paramètres d'un modèle existant à de nouvelles tâches ou à de nouvelles caractéristiques de données en les ajustant finement. Dans cette étude, les chercheurs ont utilisé une stratégie d'apprentissage par migration en chargeant les paramètres du modèle resnet pré - formés comme poids initial, puis en ajoutant une couche de connexion complète à la fin du modèle et en rétablissant la structure de toutes les couches du Réseau pour améliorer la capacité du modèle à reconnaître les polypes colorectaux de différents types pathologiques (comme illustré à la figure 1B).

Figure 1 conception expérimentale et flux de travail (A) Représentation schématique de l'imagerie hyperspectrale in situ et de l'analyse spectrale de tissus de Polypes frais lors d'une coloscopie. (b) propriétés spectrales - spatiales des cubes hyperspectraux, conversion des cubes en images bidimensionnelles et schéma de l'architecture du modèle de réseau neuronal résiduel. (c) Image endoscopique en lumière blanche avec Diagnostic assisté Hsi - ai deux semaines après évaluation de la capacité de diagnostic optique de l'endoscopiste.

Pour évaluer la capacité des endoscopistes à diagnostiquer des polypes colorectaux petits et microscopiques, l'étude a invité quatre endoscopistes Seniors (cumul > 2 000 coloscopies de dépistage) et six endoscopistes juniors (cumul 200 - 400) à participer au test. Le test prend la forme d'un questionnaire et est jugé sur la base d'images endoscopiques à lumière blanche de foyers concentrés dans le test. Pour évaluer l'efficacité du diagnostic d'assistance de l'endoscopiste primaire et de l'endoscopiste spécialiste, l'imagerie est examinée deux fois séparément, d'abord en effectuant un test indépendant de l'endoscopiste, puis en informant les résultats prédictifs du modèle Hsi - ai avant que l'endoscopiste ne fasse le diagnostic final, appelé test de diagnostic d'assistance Hsi - ai, les deux tests sont séparés par une période de lavage de 2 semaines et les résultats finaux sont comparés.

La performance diagnostique du modèle est évaluée par une matrice de confusion (fusion Matrix). La précision (Accuracy) représente la proportion de modèles de classification correctement classés dans tous les échantillons observés. Pour une évaluation complète de la performance du modèle, la sensibilité (Sensitivity), la spécificité (Specificity), la valeur prédictive positive (PPV), la valeur prédictive négative (NPv) ont également été calculées et reflètent la capacité diagnostique globale du modèle par la courbe caractéristique de travail du sujet (ROC Curve) et son aire sous la courbe (AUC). Les mesures d'évaluation secondaires comprenaient les performances diagnostiques des endoscopistes débutants et experts, ainsi que l'efficacité du modèle d'intelligence artificielle hyperspectrale (Hsi - ai) pour faciliter leur diagnostic. Les indicateurs diagnostiques de tous les endoscopistes sont exprimés en médiane (médiane) par rapport à la distance interquartile (iqr). Comparaison des différences entre le diagnostic indépendant et le Diagnostic assisté par Hsi - ai avec le test u de Mann - Whitney, bilatéralpUne valeur inférieure à 0,05 est considérée comme statistiquement significative.

résultat

Au total, 94 échantillons de tissus provenant de 73 patients ont été inclus (dont 64 issus de polyposectomies et 30 de biopsies). Les résultats de l'évaluation pathologique ont révélé que 53 échantillons étaient des adénomes tubulaires présentant une hyperplasie de bas grade (Adénomes Non progressifs, aan), 28 étaient de la viande non tumorale (nnp) et 13 étaient des tumeurs progressives (an), dont 6 adénomes tubulaires présentant une hyperplasie de haut grade, 3 adénomes chorioniques et 4 adénocarcinomes. Après l'amélioration des données, un total de 144 900 images 2D ont été générées à partir de 161 images hyperspectrales, divisées en ensembles d'entraînement, d'essai et de vérification à l'échelle 6: 3: 1.

En comparant les courbes spectrales typiques de différents types de tissus, il a été constaté que la forme spectrale des trois classes de tissus (nnp, NAA, an) dans la gamme de longueurs d'onde 406,9 - 662,1 nm différait nettement de la taille du pic. Les résultats ont montré des différences de réflectivité très statistiquement significatives (p < 0001) dans les trois classes de tissus à la longueur d'onde 575 nm, ce qui indique que l'imagerie hyperspectrale peut être efficace pour distinguer différents types d'histopathologie.

Pour vérifier la fiabilité des données et étudier la pertinence des données d'image 2D, l'étude a mené deux séries d'expériences de modèle. Dans le premier ensemble de modèles, les chercheurs ont formé les images 2D après une perturbation aléatoire, sans tenir compte des différences individuelles entre les échantillons. Les résultats ont montré que le modèle obtenait une précision plus élevée dans chaque groupe, avec des ASC de 0,97 et 0,96 pour les ensembles d'entraînement et d'essai, respectivement, ce qui indique une bonne corrélation et cohérence entre les images spectrales de différentes régions du même échantillon (Figure 2A).

Figure 2: diagnostic automatique des réseaux neuronaux résiduels basé sur l'imagerie hyperspectrale (A, b) Résultats de formation, de validation et de test des réseaux neuronaux dans une tâche de tri - Classification polype non tumoral / adénome non progressif / tumeur progressive. (C, d) Comparaison des performances de plusieurs modèles de réseaux neuronaux dans des tâches de classification automatisées.

Dans un deuxième ensemble de modèles, les chercheurs ont vérifié en unités de patients indépendants, perturbant les données et générant des images bidimensionnelles séparément après les avoir regroupées par échantillon. Si plus de 80% des images 2D générées par le même échantillon sont correctement classées, l'échantillon est considéré comme correctement prédit. Les résultats de la classification du modèle pour les trois catégories d'organisations (nnp, NAA, an) ont été excellents, avec une précision globale de 95,8% et une ASC moyenne de 0,97. Parmi ceux - ci, une sensibilité prédictive de 99,0% et une spécificité de 96,0% pour les lésions néoplasiques, y compris l'aan et l'an, ont montré un potentiel diagnostique * élevé pour ce modèle dans l'identification des viandes tumorales et non tumorales *.

L'étude a comparé les différences entre les endoscopistes avant et arrière assistés par l'IA dans la distinction entre les viandes tumorales et non tumorales * en évaluant la performance diagnostique des images endoscopiques à lumière blanche. Au stade du diagnostic indépendant, la précision médiane du diagnostic par image unique de la viande tumorale * était de 91,1% chez les endoscopistes experts expérimentés, comparativement à seulement 71,4% chez les médecins débutants. Dans l'ensemble de tests, le modèle Hsi - ai a classé chaque viande tumorale * avec un seul cas d'adénome non progressif (aan) mal évalué comme une tumeur progressive (an). Avec l'aide du modèle hsiai, la précision médiane globale des endoscopistes débutants a augmenté à 94,7%, ce qui est proche du niveau des médecins principaux. Le contrôle par soi - même a montré une différence significative dans la performance diagnostique avant et après l'assistance ai dans le groupe primaire (P & lt; 0,01), alors qu'il n'y avait pas de différence statistique dans le groupe plus âgé (P = 0,63). En ce qui concerne la valeur prédictive négative (VPN), plusieurs médecins débutants ont tous dépassé 90% après l’aide de l’ia, répondant aux exigences de la stratégie pivi « résection – élimination»; La VPN médiane globale du groupe primaire est passée de 50,0% à 88,2% (P = 0013). Le reste des indicateurs de diagnostic ont également été entièrement * améliorés, voir figure 3 pour les données spécifiques des médecins primaires.

Figure 3 Comparaison des performances diagnostiques de l'endoscopiste primaire sur les polypes colorectaux néoplasiques par rapport aux polypes colorectaux non néoplasiques, sans l'aide de (gauche) et avec l'aide de (droite) Hsi - ai, sous une image endoscopique en lumière blanche

conclusion

Cette étude confirme que l'utilisation de l'imagerie hyperspectrale (IHS) permet une différenciation très précise des adénomes par rapport aux non - adénomes des polypes colorectaux sur les tissus frais du côlon et permet d'identifier davantage les tumeurs en phase de progression. L'outil a considérablement amélioré le niveau de diagnostic des endoscopistes juniors, démontrant le potentiel du Diagnostic assisté par l'IA à se synchroniser en temps réel avec la coloscopie.