以人工智能驱动的内微显微镜形态化学成像和fs-激光切除用于选择性瘤识别和选择性组织切除
Matteo Calvarese1, Elena Corbetta1,2, Jhonatan Contreras1,2
1Leibniz-Institute of Photonic Technology (IPHT), Member of Leibniz-Health-Technologies, Member of the Leibniz-Center for Photonics in Infection Research (LPI), Albert-Einstein-Str. 9, 07745 Jena, Germany.
Science advances
|December 11, 2024
概括
一种新的多式非线性光学显微镜内微镜与深度学习相结合,可以准确检测头癌. 这种"寻找和治疗"的方法将成像与激光切除相结合,以改善手术结果.
科学领域:
- 生物医学光学 生物医学光学
- 医疗成像医学成像
- 癌症研究 癌症研究
背景情况:
- 全球头癌发病率正在上升,需要提高诊断准确性和手术技术.
- 目前的诊断方法可能缺乏早期检测和手术内指导的精度.
- 无标签组织评估对于手术期间实时分析至关重要.
研究的目的:
- 评估一种新的紧型多式非线性光学显微镜内显微镜用于头部和部癌症检测.
- 评估深度学习算法的有效性,分析多式光学显微镜数据用于瘤识别.
- 探索图像引导激光切除的整合,以同时进行诊断和向治疗.
主要方法:
- 开发和应用一种刚性连贯的反斯托克斯拉曼散射 (CARS),双光子激发光 (TPEF) 和第二子生成 (SHG) 的内微镜.
- 利用基于深度学习的语义细分模型,从多式光学数据自动检测瘤.
- 整合秒激光切除与内分显微镜以进行图像引导的选择性组织切除.
主要成果:
- 临床前研究取得了88%的诊断灵敏度和96%的头部瘤检测的特异性.
- 多模态内体显微镜提供了组织形态化学成分的无标签评估.
- 激光切除的成功整合使得图像引导的选择性组织切除成为可能,证明了"寻找和治疗"的能力.
结论:
- 开发的CARS/TPEF/SHG内体显微镜与深度学习分析显示高准确性,用于手术内检测头癌.
- 这项技术为实时组织评估和疾病识别提供了一个有希望的无标签方法.
- 集成的"寻找和治疗"功能代表了朝着更精确和更有效的外科干预措施的重大进步.
