AI-drevet mikroskop kunne kontrollere kræftmargener på få minutter

Når kirurger fjerner kræft, et af de første spørgsmål er, "Fik de det hele?" Forskere fra Rice University og University of Texas MD Anderson Cancer Center har skabt et nyt mikroskop, der hurtigt og billigt kan afbilde store vævssnit, muligvis under operationen, at finde svaret.

Mikroskopet kan hurtigt afbilde relativt tykke stykker væv med cellulær opløsning, og kunne tillade kirurger at inspicere tumormarginerne inden for få minutter efter deres fjernelse. Det blev skabt af ingeniører og anvendte fysikere på Rice og er beskrevet i en undersøgelse offentliggjort i denne uge i Proceedings of the National Academy of Sciences .

"Hovedmålet med operationen er at fjerne alle kræftcellerne, men den eneste måde at vide, om du har alt, er at se på tumoren under et mikroskop, " sagde Rice's Mary Jin, en ph.d. studerende i el- og computerteknik og medforfatter på undersøgelsen. "I dag, du kan kun gøre det ved først at skære vævet i ekstremt tynde sektioner og derefter afbilde disse sektioner separat. Denne udskæringsproces kræver dyrt udstyr, og den efterfølgende billeddannelse af flere skiver er tidskrævende. Vores projekt søger grundlæggende at afbilde store dele af væv direkte, uden nogen udskæring."

Rice's deep learning udvidede dybdeskarphedsmikroskop, eller DeepDOF, gør brug af en kunstig intelligens-teknik kendt som deep learning til at træne en computeralgoritme til at optimere både billedindsamling og billedefterbehandling.

Med et typisk mikroskop, der er en afvejning mellem rumlig opløsning og dybdeskarphed, hvilket betyder, at kun ting, der er i samme afstand fra objektivet, kan bringes klart i fokus. Funktioner, der er endda et par milliontedele meter tættere på eller længere fra mikroskopets objektiv, vil virke slørede. Af denne grund, mikroskopprøver er typisk tynde og monteret mellem objektglas.

Slides bruges i dag til at undersøge tumormarginer, og de er ikke nemme at forberede. Fjernet væv sendes normalt til et hospitalslaboratorium, hvor eksperter enten fryser det ned eller tilbereder det med kemikalier, før de laver knivtynde skiver og monterer dem på objektglas. Processen er tidskrævende og kræver specialiseret udstyr og medarbejdere med kvalificeret uddannelse. Det er sjældent, at hospitaler har mulighed for at undersøge dias for tumormargener under operationen, og hospitaler i mange dele af verden mangler det nødvendige udstyr og ekspertise.

"Nuværende metoder til at forberede væv til evaluering af marginstatus under operation har ikke ændret sig væsentligt, siden de først blev introduceret for over 100 år siden, " sagde studie medforfatter Ann Gillenwater, M.D., professor i hoved- og halskirurgi ved MD Anderson. "Ved at bringe muligheden for præcist at vurdere marginstatus til flere behandlingssteder, DeepDOF har potentiale til at forbedre resultaterne for kræftpatienter behandlet med kirurgi."

Jins Ph.D. rådgiver, undersøgelse co-korresponderende forfatter Ashok Veeraraghavan, nævnte DeepDOF bruger et standard optisk mikroskop i kombination med en billig optisk fasemaske, der koster mindre end $10 til at afbilde hele vævsstykker og levere dybdeskarphed så meget som fem gange større end nutidens avancerede mikroskoper.

"Traditionelt billedbehandlingsudstyr som kameraer og mikroskoper er designet adskilt fra billedbehandlingssoftware og algoritmer, " sagde studielederforfatter Yubo Tang, en postdoktoral forskningsmedarbejder i laboratoriet hos den medkorresponderende forfatter Rebecca Richards-Kortum. "DeepDOF er et af de første mikroskoper, der er designet med efterbehandlingsalgoritmen i tankerne."

Fasemasken placeres over mikroskopets objektiv for at modulere lyset, der kommer ind i mikroskopet.

"Modulationen giver mulighed for bedre kontrol af dybdeafhængig sløring i billederne optaget af mikroskopet, " sagde Veeraraghavan, billeddannende ekspert og lektor i elektro- og computerteknik hos Rice. "Denne kontrol hjælper med at sikre, at de sløringsalgoritmer, der anvendes på de optagne billeder, trofast genskaber højfrekvent teksturinformation over et meget bredere dybdeområde end konventionelle mikroskoper."

DeepDOF gør dette uden at ofre rumlig opløsning, han sagde.

"Faktisk, både fasemaskemønsteret og parametrene for sløringsalgoritmen læres sammen ved hjælp af et dybt neuralt netværk, som giver os mulighed for at forbedre ydeevnen yderligere, " sagde Veeraraghavan.

DeepDOF bruger et deep learning neuralt netværk, et ekspertsystem, der kan lære at træffe menneskelige beslutninger ved at studere store mængder data. For at træne DeepDOF, forskere viste det 1, 200 billeder fra en database med histologiske dias. Fra det, DeepDOF lærte, hvordan man vælger den optimale fasemaske til billeddannelse af en bestemt prøve, og den lærte også, hvordan man fjerner sløring fra de billeder, den tager fra prøven, bringe celler fra forskellige dybder i fokus.

"Når den valgte fasemaske er printet og integreret i mikroskopet, systemet optager billeder i en enkelt omgang, og ML (machine learning) algoritmen udfører sløringen, " sagde Veeraraghavan.

Richards-Kortum, Rice's Malcolm Gillis University Professor, professor i bioteknik og direktør for Rice 360° Institute for Global Health, nævnte DeepDOF kan fange og behandle billeder på så lidt som to minutter.

"Vi har valideret teknologien og vist proof-of-princippet, " sagde Richards-Kortum. "En klinisk undersøgelse er nødvendig for at finde ud af, om DeepDOF kan bruges som foreslået til marginvurdering under operationen. Vi håber at påbegynde klinisk validering i det kommende år."