Làm thế nào hình ảnh siêu phổ có thể cho phép các phần bệnh lý tạm biệt sự nhuộm màu? Nghiên cứu này cung cấp một đặc điểm mới

Trong chẩn đoán bệnh lý truyền thống, một mẫu mô ung thư vú cần phải trải qua hơn mười quá trình như cố định, nhúng, cắt và nhuộm màu. Từ việc gửi mẫu đến phát hành báo cáo thường mất vài giờ hoặc thậm chí lâu hơn. Trong giai đoạn mổ đông lạnh, bệnh nhân thường phải ở trạng thái gây mê chờ đợi và việc rút ngắn thời gian này là rất quan trọng để đảm bảo an toàn cho ca phẫu thuật.

Một nghiên cứu được công bố gần đây trong "Báo cáo khoa học" cố gắng sử dụng lộ trình kỹ thuật "không nhãn, không vết bẩn" kết hợp với thuật toán học sâu để cung cấp giải pháp mới cho điểm đau lâm sàng này.

Khi hình ảnh bệnh lý “mất màu”

Những hình ảnh bệnh lý mà chúng ta quen thuộc thường có tông màu xanh tím sau khi nhuộm H&E, với ranh giới rõ ràng giữa nhân tế bào và tế bào chất. Công nghệ hình ảnh siêu phổ vi mô (MHSI) có thể thu được 128 dải thông tin quang phổ từ ánh sáng khả kiến ​​đến cận hồng ngoại (397-1032nm) bằng cách quét các phần mô mà không nhuộm màu.

Thách thức trực tiếp mà trạng thái "không có vết bẩn" này mang lại là: hình ảnh thiếu độ tương phản về hình thái, khiến mắt người khó có thể diễn giải trực tiếp. Tuy nhiên, ưu điểm của dữ liệu siêu phổ nằm ở chỗ nó ghi lại các đường cong quang phổ liên tục cho từng điểm ảnh và các thành phần sinh hóa khác nhau (như protein, lipid, axit nucleic) sẽ thể hiện các đặc điểm phản xạ khác biệt ở các bước sóng cụ thể. Làm thế nào để trích xuất thông tin có giá trị chẩn đoán từ dữ liệu hình thái yếu và có chiều cao như vậy đã trở thành một chủ đề mới trong bệnh lý tính toán.

Chuyển đổi "chẩn đoán từng phần" thành "học tập đa phiên bản"

Nhóm nghiên cứu đã xây dựng một bộ dữ liệu siêu phổ bao gồm 468 phần mô của 60 bệnh nhân ung thư vú. Khác với các phương pháp truyền thống thực hiện dự đoán một điểm trên các trường quan sát cục bộ, các nhà nghiên cứu đã mô hình hóa chẩn đoán bệnh lý dưới dạng bài toán Học đa trường (MIL): coi toàn bộ phần mô là một "túi" và các khối quang phổ được thu thập từ 20 vùng khác nhau trên phần đó là "các trường hợp" bên trong túi. Mô hình cần tổng hợp thông tin của tất cả các instance để đưa ra kết quả chẩn đoán cho toàn bộ phần.

Cách tiếp cận này gần với logic đọc hình ảnh thực tế của các nhà nghiên cứu bệnh học—đầu tiên duyệt xét toàn bộ dưới kính hiển vi công suất thấp, sau đó tập trung vào các khu vực đáng ngờ để đánh giá toàn diện.

Cơ chế “chú ý” đa cấp độ

Nhằm vào các đặc điểm của dữ liệu siêu phổ, nhóm đã đề xuất Mạng chú ý phân cấp đa quy mô (MS-HAN), có thiết kế cốt lõi bao gồm ba cấp độ chính:

1. Trích xuất tính năng đa quy mô rút ra các bài học từ cấu trúc Khởi đầu, sử dụng song song các kích thước khác nhau của hạt tích chập ở cùng độ phân giải không gian để trích xuất các tính năng, nhằm thu thập thông tin đa hạt từ những khác biệt quang phổ tinh tế đến các mẫu kết cấu cục bộ.

2. Cơ chế chú ý kép trước tiên mô hình hóa rõ ràng sự phụ thuộc giữa các dải thông qua sự chú ý của kênh quang phổ, mang lại trọng số cao hơn cho các dải có thông tin phong phú hơn; sau đó tạo bản đồ nhiệt hai chiều thông qua sự chú ý không gian để xác định vị trí các vùng có giá trị chẩn đoán về mặt hình thái tế bào mà không cần dựa vào ghi nhãn cấp pixel.

3. Tổng hợp phân cấp và học nguyên mẫu. Để giải quyết sự biến thiên cao trong quang phổ sinh học trong lớp, mô hình này giới thiệu một tập hợp các "vectơ nguyên mẫu" có thể học được, các tính năng phiên bản gán mềm cho các nguyên mẫu này và ngăn chặn sự sụp đổ chế độ bằng cách hạn chế entropy của phân bổ mức sử dụng nguyên mẫu. Cuối cùng, cơ chế tự chú ý được sử dụng để mô hình hóa sự phụ thuộc giữa các khu vực khác nhau trong phần, thu được sự thể hiện của toàn bộ phần thông qua việc tập hợp sự chú ý.

Trong quá trình đào tạo được giám sát yếu chỉ sử dụng nhãn cấp độ phần, mô hình đã đạt được độ chính xác 86,7% và AUC là 0,92 trên bộ thử nghiệm độc lập (94 phần), cho thấy sự cải thiện đáng kể về mặt thống kê so với các mô hình cơ bản chính thống của MIL như TransMIL và CLAM.

Bỏ qua giai đoạn nhuộm và nén chi phí thời gian

Chỗ đứng của nghiên cứu này không phải là để thay thế các nhà nghiên cứu bệnh học mà là khám phá quy trình làm việc "phân chia quang học" cộng với "sàng lọc sơ cấp AI". Việc bỏ qua bước nhuộm màu không chỉ có nghĩa là giảm chi phí thuốc thử và vật tư tiêu hao mà quan trọng hơn là nó rút ngắn đáng kể khoảng thời gian từ lấy mẫu đến chẩn đoán kỹ thuật số. Đối với các tình huống nhạy cảm về thời gian như đông lạnh trong khi phẫu thuật, chế độ "cắt-quét-phân tích" này được kỳ vọng sẽ rút ngắn thời gian chờ đợi cho bệnh nhân được gây mê.

Tất nhiên, nghiên cứu này vẫn đang trong giai đoạn chứng minh khái niệm. Quy mô của tập dữ liệu một trung tâm gồm 60 trường hợp tương đối hạn chế và hiệu suất của mô hình khi đối mặt với các thành phần chuẩn bị, mật độ tế bào thấp hoặc các phân nhóm phân tử hiếm vẫn cần xác thực bên ngoài với dữ liệu mẫu lớn và đa trung tâm. Ngoài ra, chi phí phần cứng của thiết bị hình ảnh siêu phổ rất cao và việc chuyển từ phòng thí nghiệm sang các khoa bệnh lý thông thường vẫn cần phải cân nhắc ở cấp độ kỹ thuật và kinh tế y tế.