準確識別出隱藏的腫瘤

科學家發(fā)現，即使12種測試腫瘤中有10種被粘膜層*或部分覆蓋，機器學習分析仍可有效地識別GIST，正確地對腫瘤和非腫瘤切片進行顏色編碼，準確度為86%。Takemura博士解釋說：“這是一個非常令人興奮的進展，無需進行活檢就能夠準確，快速且無創(chuàng)地診斷不同類型的粘膜下腫瘤，這種手術需要手術，這對患者和患者都非常容易。醫(yī)生。”

即使腫瘤是良性的，也會損害周圍的血管和組織。如果它們是惡性的，它們會變得攻擊性和偷偷摸摸的，并且通常會造成不可挽回的破壞。在后一種情況下，及早發(fā)現是治療和康復的關鍵。但是，這種檢測有時可能需要的成像技術，而不是當今商業(yè)上可獲得的技術。

例如，一些腫瘤發(fā)生在器官和組織的深處，被粘膜層覆蓋，這使得科學家很難通過標準方法直接觀察到它們，例如內窺鏡檢查(通過細管將小型相機插入患者體內)。他們在活檢期間。尤其是胃腸道間質瘤(GIST)-通常在胃和小腸中發(fā)現-需要苛刻的技術，這些技術非常耗時并且會延長診斷時間。現在，為了改善GIST診斷，Dr。日本東部國家癌癥中心醫(yī)院的佐藤大樹，池松弘明和桑田武志，日本理研光子學中心的橫田英夫博士和博士。日本東京理科大學的高松敏弘(Toshimaka Takamatsu)和我的孝平晃(Koei Soga)已開發(fā)出一種將近紅外高光譜成像(NIR-HSI)與機器學習一起使用的技術。他們的發(fā)現發(fā)表在自然科學報告。

Takemura博士解釋說：“這項技術有點像X射線，其思想是使用可以穿過人體的電磁輻射來生成內部結構的圖像，”他說，“不同之處在于X射線的波長為0.01-波長為10 nm，但近紅外波長在800-2500 nm左右。在該波長下，近紅外輻射使圖像中的組織看起來像透明的，而且這些波長對患者的危害甚至比可見光要小。”

這應該意味著科學家可以安全地研究組織內部隱藏的東西，但是在Takemura博士及其同事進行的研究之前，還沒有人嘗試對GIST等深部腫瘤使用NIR-HSI。在談到促使他們進行此調查的原因時，竹村博士向已開始其研究旅程的已故教授表示敬意：“這個項目之所以成為可能，是因為已故的Kazuhiro Kaneko教授打破了醫(yī)生與工程師之間的障礙并建立了這種合作關系。我們遵循他的意愿。”

Takemura博士的團隊對12例確診為GIST的患者進行了影像學實驗，這些患者通過手術切除了腫瘤?？茖W家使用NIR-HSI對切除的組織成像，然后讓病理學家檢查圖像以確定正常組織與腫瘤組織之間的邊界。然后將這些圖像用作機器學習算法的訓練數據，本質上講是教計算機程序來區(qū)分圖像中代表正常組織的像素與代表腫瘤組織的像素。