150秒内快速诊断脑瘤！最新AI光学成像系统在《Nature Medicine》发表

---

  新智元报道 

人工智能正在各个领域大放异彩，不断扩充应用的版图！在手术室也显示出了新的希望！新的研究表明，机器学习可以在150秒以内诊断出脑肿瘤，所需时间仅仅是人类专家的一小部分，而且准确率与人类专家平分秋色！

这是一篇题为《使用受激拉曼组织学和深度神经网络进行近实时术中脑肿瘤诊断》（Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks）的文章，近日在线发表于《Nature》旗下顶级医学期刊《Nature Medicine》上。

新的科学技术进步，给予患者以希望，给予生命以光亮

https://www.nature.com/articles/s41591-019-0715-9

全世界每年约有1520万人被诊断出患有癌症，超过80%的患者将接受手术治疗。在许多情况下，切除的肿瘤的一部分是在手术中进行的分析，以提供初步诊断，并确保样本足以进行最终诊断并指导手术治疗。术中组织学的传统工作流程可以追溯到一个多世纪前，它需要将组织运送到实验室、标本处理、由训练有素的技术人员进行载玻片制备、病理学家进行解释，每一步都可能构成提供及时有效的外科护理的潜在障碍。术中诊断对癌症患者在手术期间提供安全有效的护理至关重要！

百年沧桑的冰冻切片手术

https://jamanetwork.com/journals/jama/article-abstract/202069

通过利用光学和人工智能的进步，研究团队为显微成像和诊断开发了一个简化的工作流程，从而改善了这些障碍。

SRH（受激拉曼组织学，Stimulated Raman Histology）是一种光学成像方法，可以提供未经处理的生物组织的快速、无标签、亚微米分辨率的图像。SRH利用脂质、蛋白质和核酸固有的振动特性来产生图像对比，显示出HE染色的图像难以可视化的诊断显微特征和组织学发现，同时消除了冰冻或涂片组织制剂中固有的伪影。

深度神经网络利用可训练的特征提取器，为分类提供一个学习和优化的图像特征分类层次结构。通过在眼科、放射科、皮肤科和病理科的深入学习，实现了图像分类任务的与人类水平相当的准确性。

令人震撼：SRH+CNNs“清爽地”将常规HE染色组织学工作流程化繁为简

应用SRH和深度学习的术中诊断管线主要涵盖3个步骤：图像采集、图像处理、术中诊断预测。来自415位患者的超过250万个带标签的图像用于CNN训练。CNN被训练将组织分为13种组织学类别，包括聚焦于常见脑肿瘤的输出和推理节点。

对基于深度学习的算法进行严格临床评估的重要性不言而喻，因此研究团队开展了一个双臂、前瞻性、多中心、非劣效性临床试验，来比较病理学家解释常规组织学图像（对照组）与CNN SRH图像分类（实验组）的准确性。对收集到的新鲜脑肿瘤样本（n=278），在术中被分成姐妹样本（Sister Specimens），随机分为对照组和实验组。这些诊断后来根据与手术后进行的更长和更广泛的检查结果是否相一致来判断正确与否。研究结果显示，常规HE组织学臂的总诊断准确率为93.9%（261/278），SRH+CNN臂的总诊断准确率为94.6%（264/278），超过了非劣效性的主要终点阈值（>91%）。

“AI不怕火炼”：SRH+CNN与常规HE组织学的前瞻性临床试验

该研究提出的一种新的人工智能系统，能够在150s以内准确诊断出脑肿瘤，而病理学家通常需要20到30分钟或更长时间。

此外，研究团队还实施了语义分割方法来识别SRH图像中的肿瘤浸润的诊断区域。对在原发性和转移性脑肿瘤中肿瘤-脑界面收集的样本进行的分析表明，CNN可以将肿瘤与未浸润性的脑部和非诊断性区域区分开。

SRH图像的语义分割可识别肿瘤浸润和诊断区域

这种新方法简化了当患者仍在手术台上时分析组织样本的做法，有助于指导脑外科手术和后续治疗。它结合了“受激拉曼组织学”（stimulated Raman histology，SRH）、无标签光学成像方法和深度卷积神经网络（CNNs），以自动化的方式在床边几乎实时地预测诊断，为组织诊断创造了一条独立于传统病理实验室的互补途径。

新技术还能够检测到传统方法可能遗漏的一些细节，例如肿瘤沿神经纤维的扩散；与传统方法不同，人工智能方法不会破坏样本，因此组织可以再次用于更多的检测。

综上所述，该项研究证明了如何将SRH与深度学习相结合，可以快速预测术中脑肿瘤的诊断。该工作流程提供了一种透明的方法，在神经病理学资源稀缺的情况下提供专家级的术中诊断，并提高资源丰富的中心的诊断准确性。该工作流程还允许外科医生近乎实时地访问组织学数据，从而能够更无缝地使用组织学，为基于显微组织特征的手术决策提供信息。

在未来，还可以开发人工智能算法来预测脑肿瘤中的关键分子变异，如MGMT甲基化、IDH和ATRX的状态。此外，SRH可能最终结合光谱检测诊断性基因变异的代谢效应，如在IDH突变的胶质瘤中积累2-羟基戊二酸。在此期间，SRH保存了成像组织的完整性，可用于下游分析检测，并与现代分子诊断实践很好地结合。

虽然该工作流程是在神经外科肿瘤学的背景下开发和验证的，但用于诊断脑肿瘤的许多组织学特征是在其他器官的肿瘤中发现的。因此，可以预测将光学组织学和深度学习相结合的类似工作流程可应用于皮肤科、头颈外科、乳腺外科和妇科，其中术中组织学对临床护理同样重要！重要的是，基于AI的工作流程在手术过程中为床边的显微组织诊断提供了无与伦比的途径，有助于残留肿瘤的检测，降低去除病变附近正常组织的风险，有助于研究区域组织学和分子异质性，并最大程度地减少因取样错误而导致的非诊断性活检或误诊的机会。

扫描下方海报二维码即刻报名「新智元We站公开课」：腾讯微信人工智能高级研究员的阙文晖手把手教你从0到1快速搭建推荐算法系统架构。