通过深度学习无标签分子显微镜快速准确诊断逆皮质肉瘤
Wanhui Zhou1, Daoning Liu2, Tinghe Fang1
1Key Laboratory of Biomechanics and Mechanobiology (Beihang University), Ministry of Education, Institute of Medical Photonics, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing 100191, China.
这项研究引入了一种新的双模态非线性光学成像技术,将刺激拉曼散射 (SRS) 和第二子 (SHG) 显微镜相结合,用于精确检测逆皮质脂肪瘤 (RLPS). 该方法增强了手术内诊断和边际评估,改善了患者的预后.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 生物光子学 生物光子学
背景情况:
- 逆皮质脂肪肉瘤 (RLPS) 是一种罕见的癌症,需要进行手术切除,但在手术内区分分别的脂肪肉瘤 (WDLPS) 和正常脂肪是具有挑战性的.
- 在手术期间不准确的边际评估导致RLPS的高复发率,显著影响患者的预后.
研究的目的:
- 开发和验证一种无双标签的非线性光学成像方法,以改善RLPS的手术内诊断.
- 评估结合刺激拉曼散射 (SRS) 和第二子代 (SHG) 显微镜的有效性,以区分脂肉瘤亚型和正常组织.
- 评估深度学习模型分析双模图像的潜力,以准确检测RLPS和评估边际.
主要方法:
- 使用SRS显微镜 (脂质) 和SHG显微镜 (原纤维) 进行双模非线性光学成像,对35个RLPS和34个正常脂肪组织样本进行了应用.
- 深度学习,特别是基于ResNeXt101的模型,用于分析双模图像,以分类正常脂肪,WDLPS和非分化的脂类肉瘤 (DDLPS).
- 进行了除实验,以确定每个成像模式 (SRS和SHG) 对诊断性能的贡献.
主要成果:
- 深度学习模型在区分正常脂肪,WDLPS和DDLPS方面实现了94.7%的整体准确率和0.987的AUC.
- WDLPS检测显示出高精度 (94.1%) 和灵敏度 (84.6%),表现优于现有方法.
- 两种SRS和SHG模式都对模型的性能做出了重大贡献,分别提高了WDLPS识别灵敏度16.0%和3.6%.
结论:
- 双模式SRS和SHG显微镜与深度学习相结合,为准确的RLPS手术内诊断提供了强大的工具,包括具有挑战性的WDLPS病例.
- 该技术有效地可视化了与瘤进展相关的脂质和原含量变化.
- 这种方法对改善手术决策和降低 retroperitoneal 脂瘤患者的复发率具有显著的前景.
更多相关视频
10:59Label-Free Imaging of Lipid Storage Dynamics in Caenorhabditis elegans using Stimulated Raman Scattering Microscopy
Published on: May 28, 2021
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020