วิธีการที่การถ่ายภาพแบบยี่ห้อสามารถทําให้ส่วนทางโรคบอกลาการสี

ในการวินิจฉัยทางพยาธิวิทยาแบบดั้งเดิม ตัวอย่างเนื้อเยื่อมะเร็งเต้านมจะต้องผ่านกระบวนการมากกว่า 10 กระบวนการ เช่น การตรึง การฝัง การแบ่งส่วน และการย้อมสี ตั้งแต่การจัดส่งตัวอย่างไปจนถึงการออกรายงาน มักใช้เวลาหลายชั่วโมงหรือนานกว่านั้นด้วยซ้ำ ในระยะการผ่าตัดแช่แข็ง ผู้ป่วยมักจะต้องอยู่ในภาวะรอยาชา และการลดเวลานี้เป็นสิ่งสำคัญเพื่อความปลอดภัยในการผ่าตัด

การศึกษาที่ตีพิมพ์เมื่อเร็วๆ นี้ใน "รายงานทางวิทยาศาสตร์" พยายามที่จะใช้เส้นทางทางเทคนิค "ไร้ฉลาก ไร้รอยเปื้อน" ร่วมกับอัลกอริธึมการเรียนรู้เชิงลึก เพื่อมอบแนวทางใหม่ให้กับปัญหาทางคลินิกนี้

เมื่อภาพทางพยาธิวิทยา "สูญเสีย" สี

ภาพทางพยาธิวิทยาที่เราคุ้นเคยมักจะแสดงเป็นโทนสีน้ำเงินม่วงหลังจากการย้อมสี H&E โดยมีขอบเขตที่ชัดเจนระหว่างนิวเคลียสของเซลล์และไซโตพลาสซึม เทคโนโลยีการถ่ายภาพด้วยกล้องจุลทรรศน์ด้วยกล้องจุลทรรศน์ (MHSI) สามารถรับข้อมูลสเปกตรัมได้ 128 แถบตั้งแต่แสงที่มองเห็นไปจนถึงอินฟราเรดใกล้ (397-1032 นาโนเมตร) โดยการสแกนส่วนเนื้อเยื่อโดยไม่มีการย้อมสี

ความท้าทายโดยตรงที่เกิดขึ้นจากสถานะ "ปราศจากคราบ" นี้คือ รูปภาพขาดความเปรียบต่างทางสัณฐานวิทยา ทำให้ยากสำหรับสายตามนุษย์ในการตีความโดยตรง อย่างไรก็ตาม ข้อดีของข้อมูลไฮเปอร์สเปกตรัมอยู่ที่ความจริงที่ว่า ข้อมูลจะบันทึกเส้นโค้งสเปกตรัมอย่างต่อเนื่องสำหรับทุกจุดพิกเซล และส่วนประกอบทางชีวเคมีที่แตกต่างกัน (เช่น โปรตีน ไขมัน กรดนิวคลีอิก) จะแสดงคุณลักษณะการสะท้อนที่แตกต่างกันที่ความยาวคลื่นเฉพาะ วิธีการดึงข้อมูลที่มีค่าการวินิจฉัยจากข้อมูลที่มีมิติสูงและทางสัณฐานวิทยาที่อ่อนแอดังกล่าวได้กลายเป็นหัวข้อใหม่ในพยาธิวิทยาทางคอมพิวเตอร์

การเปลี่ยน "การวินิจฉัยส่วน" ให้เป็น "การเรียนรู้แบบหลายอินสแตนซ์"

ทีมวิจัยได้สร้างชุดข้อมูลไฮเปอร์สเปกตรัมที่ประกอบด้วยส่วนเนื้อเยื่อ 468 ส่วนจากผู้ป่วยมะเร็งเต้านม 60 ราย แตกต่างจากวิธีการดั้งเดิมที่ใช้การทำนายจุดเดียวในมุมมองเฉพาะที่ นักวิจัยได้สร้างแบบจำลองการวินิจฉัยทางพยาธิวิทยาว่าเป็นปัญหาการเรียนรู้แบบหลายอินสแตนซ์ (MIL) โดยถือว่าเนื้อเยื่อทั้งหมดเป็น "ถุง" และลูกบาศก์สเปกตรัมที่รวบรวมจาก 20 ภูมิภาคที่แตกต่างกันบนส่วนดังกล่าวเป็น "อินสแตนซ์" ภายในถุง แบบจำลองจำเป็นต้องสังเคราะห์ข้อมูลของอินสแตนซ์ทั้งหมดเพื่อแสดงผลลัพธ์การวินิจฉัยสำหรับทั้งส่วน

แนวทางนี้ใกล้เคียงกับตรรกะในการอ่านภาพจริงของนักพยาธิวิทยามากขึ้น โดยเริ่มจากการเรียกดูทั่วโลกโดยใช้กล้องจุลทรรศน์พลังงานต่ำ จากนั้นจึงมุ่งเน้นไปที่พื้นที่ที่น่าสงสัยเพื่อการตัดสินที่ครอบคลุม

กลไก "ความสนใจ" หลายระดับ

ทีมงานได้เสนอ Multi-Scale Hierarchical Attention Network (MS-HAN) ซึ่งการออกแบบหลักประกอบด้วยสามระดับหลัก:

1. การแยกคุณสมบัติหลายสเกลดึงบทเรียนจากโครงสร้าง Inception โดยใช้ขนาดที่แตกต่างกันของเคอร์เนล Convolution ขนานกันที่ความละเอียดเชิงพื้นที่เดียวกันเพื่อแยกคุณสมบัติต่างๆ เพื่อที่จะรวบรวมข้อมูลที่มีหลายรายละเอียดจากความแตกต่างทางสเปกตรัมที่ละเอียดอ่อนไปจนถึงรูปแบบพื้นผิวเฉพาะที่

2.กลไกความสนใจแบบคู่จะจำลองแบบจำลองการขึ้นต่อกันระหว่างแบนด์ต่างๆ อย่างชัดเจนผ่านความสนใจของช่องสเปกตรัม โดยให้น้ำหนักที่สูงกว่ากับแบนด์ที่มีข้อมูลที่สมบูรณ์ยิ่งขึ้น จากนั้นสร้างแผนที่ความร้อนแบบสองมิติผ่านความสนใจเชิงพื้นที่ เพื่อค้นหาบริเวณที่มีค่าการวินิจฉัยในแง่ของสัณฐานวิทยาของเซลล์ โดยไม่ต้องอาศัยการติดฉลากระดับพิกเซล

3. การรวมกลุ่มแบบลำดับชั้นและการเรียนรู้ต้นแบบ เพื่อจัดการกับความแปรปรวนภายในคลาสที่สูงในสเปกตรัมทางชีววิทยา โมเดลจึงได้แนะนำชุดของ "เวกเตอร์ต้นแบบ" ที่เรียนรู้ได้ ซึ่งมีคุณสมบัติอินสแตนซ์ที่มอบหมายแบบนุ่มนวลให้กับต้นแบบเหล่านี้ และป้องกันการล่มสลายของโหมดโดยจำกัดเอนโทรปีของการกระจายการใช้งานต้นแบบ สุดท้ายนี้ กลไกการเอาใจใส่ตนเองถูกใช้เพื่อสร้างแบบจำลองการพึ่งพาระหว่างภูมิภาคต่างๆ ภายในส่วนนี้ โดยได้รับการเป็นตัวแทนของทั้งส่วนผ่านการรวมความสนใจ

ภายใต้การฝึกอบรมที่มีการดูแลอย่างไม่มีประสิทธิภาพโดยใช้ป้ายกำกับระดับส่วนเท่านั้น แบบจำลองได้รับความแม่นยำ 86.7% และ AUC ที่ 0.92 ในชุดการทดสอบอิสระ (94 ส่วน) ซึ่งแสดงการปรับปรุงที่มีนัยสำคัญทางสถิติเมื่อเปรียบเทียบกับแบบจำลองพื้นฐาน MIL กระแสหลัก เช่น TransMIL และ CLAM

ละเว้นขั้นตอนการย้อมสีและการบีบอัดต้นทุนเวลา

การวิจัยครั้งนี้ไม่ได้มีวัตถุประสงค์เพื่อแทนที่นักพยาธิวิทยา แต่เป็นการสำรวจขั้นตอนการทำงานของ "การตัดส่วนด้วยแสง" บวกกับ "การคัดกรองเบื้องต้นด้วย AI" การละเว้นขั้นตอนการย้อมสีไม่เพียงแต่หมายถึงการลดต้นทุนของรีเอเจนต์และวัสดุสิ้นเปลืองเท่านั้น แต่ที่สำคัญกว่านั้น ยังช่วยลดกรอบเวลาตั้งแต่การสุ่มตัวอย่างไปจนถึงการวินิจฉัยแบบดิจิทัลอย่างมีนัยสำคัญ สำหรับสถานการณ์ที่ต้องคำนึงถึงเวลา เช่น การแช่แข็งระหว่างการผ่าตัด โหมด "ตัดสแกน-วิเคราะห์" นี้คาดว่าจะช่วยลดระยะเวลารอคอยสำหรับผู้ป่วยที่อยู่ภายใต้การดมยาสลบ

แน่นอนว่างานวิจัยนี้ยังอยู่ในขั้นตอนการพิสูจน์แนวคิด ขนาดของชุดข้อมูลแบบศูนย์เดียว 60 กรณีนั้นค่อนข้างจำกัด และประสิทธิภาพของแบบจำลองเมื่อเผชิญกับสิ่งประดิษฐ์ในการเตรียมการ ความหนาแน่นของเซลล์ต่ำ หรือชนิดย่อยของโมเลกุลที่หายาก ยังคงต้องการการตรวจสอบความถูกต้องจากภายนอกด้วยข้อมูลแบบหลายศูนย์และตัวอย่างขนาดใหญ่ นอกจากนี้ ต้นทุนด้านฮาร์ดแวร์ของอุปกรณ์สร้างภาพไฮเปอร์สเปกตรัมยังสูงอยู่ และการย้ายจากห้องปฏิบัติการไปยังแผนกพยาธิวิทยาตามปกติยังคงต้องมีการพิจารณาในระดับวิศวกรรมและเศรษฐศาสตร์สาธารณสุข