非侵袭性的非线性光学计算组织学.
Binglin Shen1, Zhenglin Li1, Ying Pan2
1Key Laboratory of Optoelectronic Devices and Systems of Guangdong Province and Ministry of Education, College of Physics and Optoelectronic Engineering, Shenzhen University, Shenzhen, 518060, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|December 14, 2023
概括
一种新的无染计算组织学方法使用无标签的非线性光学成像和对比学习来实现快速,精确的癌症诊断. 这种方法提高了早期检测,并降低了手术病理学的成本.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 癌症诊断严重依赖于组织病理学,这通常需要组织染色.
- 染色程序可能是耗时的,昂贵的,可能会引入文物.
- 在癌症病理学中需要快速,准确和非侵入性诊断方法.
研究的目的:
- 引入一种新的无染计算组织学方法,称为非线性光学计算组织学 (NOCH).
- 通过使用无标签非线性光学成像,评估NOCH在保护新鲜组织的关键诊断特征方面的有效性.
- 证明NOCH在提高癌症诊断在外科病理学中的速度和准确性的潜力.
主要方法:
- 使用无标签的非线性光学成像模式,包括刺激拉曼散射和多光子成像.
- 应用对比的补丁智能学习,用于无污点的计算组织学.
- 进行定量分析,以评估核形态学特征和诊断特征的保存.
主要成果:
- NOCH精确地复制了不同癌症阶段的核形态,大小和核细胞质对比度.
- 该方法在分析瘤微环境方面表现出高灵敏度.
- 当NOCH模型应用于各种病理组织时,它显示出有希望的概括能力.
结论:
- 在外科病理学中,NOCH为传统染色方法提供了一个快速,非侵入性和精确的替代方案.
- 这种无染色计算组织学方法具有显著的潜力,可以彻底改变癌症诊断和手术干预.
- 无标签非线性光学成像与对比学习的整合为先进的计算病理学铺平了道路.


