1 西安培华学院智能科学与信息工程学院,陕西 西安 710025
2 西安工业大学电子信息工程学院,陕西 西安 710021
目前,病理专家通过肉眼识别显微镜视场下乳腺癌病理切片图像中的乳腺癌细胞具有很强的主观性。因此,设计了一款基于显微图像的乳腺癌细胞识别系统,该系统包括显微图像采集模块和乳腺癌细胞识别算法实现模块。通过USAF 1951分辨率测试板验证设计的乳腺癌细胞识别系统显微图像采集模块,最终的成像分辨率可以达到2.19 μm。通过多组乳腺癌病理图像验证所提乳腺癌细胞识别算法,结果表明设计的乳腺癌细胞识别系统识别乳腺癌细胞的平均准确率达到93.4%。
乳腺癌 图像采集 显微图像 细胞识别 激光与光电子学进展
2024, 61(8): 0817001
1 中国科学技术大学生物医学工程学院(苏州),生命科学与医学部,江苏 苏州 215163
2 中国科学院苏州生物医学工程技术研究所,江苏省医用光学重点实验室,江苏 苏州 215163
人类表皮生长因子受体-2(HER2)的异常扩增会导致癌细胞的过度增殖和肿瘤恶化。在采用常规光学显微成像技术检测扩增水平较高的乳腺癌细胞HER2基因时,荧光原位杂交探针的荧光信号斑点呈簇状分布,难以精确计数。应用结构光照明超分辨成像技术对HER2基因荧光原位杂交的病理切片进行成像,从而分辨距离较近的荧光探针。通过大视场扫描成像和图像拼接,对数百个细胞进行成像和统计分析,提高了高扩增水平病理切片上HER2探针计数的准确性。
乳腺癌病理诊断 荧光原位杂交 结构光照明超分辨成像 图像拼接 激光与光电子学进展
2024, 61(4): 0411009
1 新疆大学电气工程学院,新疆乌鲁木齐 830047
2 大连理工大学控制科学与工程学院,辽宁大连 116024
3 大连医科大学基础医学院,辽宁大连 116041
乳腺癌是全球女性发病率位居首位的恶性肿瘤,研究基于神经网络模型的乳腺癌诊断预测方法的目的是将临床与机器学习相结合,有助于医疗工作者更加快速准确地判断出患病与否,同时解决现有模型中存在的过拟合以及漏诊率和误诊率过高的问题,并提高预测模型的准确率。本文采用加州大学欧文分校(UCI)数据集,共 669个样本,其中包含 357个良性样本和 212个恶性肿瘤样本,共计 10个特征训练预测模型。将 10个神经网络模型采用 Adaboost方法相结合,即通过 Adaboost算法组合多个弱分类器从而形成一个强分类器,最终输出一个具有更高准确率、有较强的自学习能力、自适应能力且泛化性能优良的集成预测模型。结论表明,该模型的预测准确率达到 98.5507%,同时准确率(AUC)为 0.9966,说明所建模型区分度较好,可以反映模型的诊断价值,且非常稳定,具有非常好的验证效果,为临床应用提供进一步的技术支持和保障。
乳腺癌 早期诊断 神经网络 分类器 预测模型 breast cancer early diagnosis neural network classifier prediction model 太赫兹科学与电子信息学报
2023, 21(8): 1014
乳腺癌是世界上对于女性非常危险的疾病, 其患病率逐年增长, 是世界妇女死亡的主要原因。 在大样本情况下, 乳腺癌临床诊断受优质医疗资源相对短缺的限制, 诊断周期长、 检测费用高。 因此, 高效、 准确、 性价比高的乳腺癌诊断方法具有广阔的应用前景, 为临床诊断迫切需求。 荧光光谱检测是一种可以表征细胞中物理和化学综合变化的方法, 可用于表征正常和癌变细胞的特征。 机器学习擅长从大量数据中挖掘有用信息, 是进行分类和预测的有效手段。 以往机器学习多使用包含部分生化信息的数据库训练模型, 易导致信息缺失。 荧光光谱是细胞多种物质的叠加光谱, 使用荧光光谱特征峰诊断乳腺癌存在量化不确定性问题。 因此, 提出了机器学习结合乳腺癌样本荧光光谱的诊断方法。 使用405 nm波长的激光, 采集了正常和癌变乳腺组织(已做出病理诊断)的荧光光谱数据, 以此作为数据集, 比较了K-近邻(KNN)、 支持向量机(SVM)、 随机森林(RF)三种算法对正常和癌变乳腺组织荧光光谱的分类能力。 判别结果显示: 与SVM算法相比, KNN和RF算法的准确率更高、 平衡召回率和精度的能力更强, 对乳腺癌荧光光谱的分类能力更好, 其准确性、 召回率、 精度以及F1-score函数结果均在95%之上, 更利于乳腺癌的诊断。 进而探讨了权重KNN(WKNN)算法对正常和癌变乳腺组织荧光光谱的分类能力。 WKNN较KNN算法的分类评估结果有小幅度提升, 且具有更好的抗噪和适应能力, 算法简单。 综上所述, 本文提出的机器学习结合荧光光谱的乳腺癌诊断方法, 精度高、 速度快、 性价比高, 是未来乳腺癌诊断方法的发展方向, 具有重要的临床应用价值。
荧光光谱 乳腺癌 机器学习 Fluorescence spectrum Breast cancer Machine learning K-nearest Neighbor KNN 光谱学与光谱分析
2023, 43(8): 2407
外泌体(Exosome)是直径大小为30~150 nm的膜性囊泡, 包裹DNA/RNA, miRNA, 蛋白质和脂质等多种物质并参与微环境中的生物信息传递, 是理想的癌症生物标志物, 在液体活检领域具有重要的应用潜力, 有望成为癌症快速检测的手段之一。 表面增强拉曼光谱(SERS)是分子振动光谱, 可从分子水平上探测物质的精细结构和信息变化, 具有“指纹图谱”的特征。 采用差速离心结合超速离心的方法获得乳腺癌细胞来源的外泌体, 以金溶胶为增强基底, 收集外泌体及其母细胞的SERS图谱, 结合多元统计分析, 进行乳腺癌细胞的快速鉴别与区分。 研究结果表明, 乳腺癌细胞及其外泌体在500~1 600 cm-1波段范围内有特征拉曼信号, 采用非标记检测所获得的图谱信息是样品“whole-organism fingerprint”整体信号的呈现。 根据外泌体的拉曼表型并结合OPLS-DA分析, 能够100%分辨3种不同类型的乳腺癌细胞。 单细胞SERS检测联合PCA-LDA分析, 区分乳腺癌细胞的准确率为83.7%。 通过比较乳腺癌细胞及其外泌体的拉曼特征图谱发现, 二者在拉曼谱图的波数高度表现一致, 但是外泌体在特征波数上显著增强。 具体体现为在506~569、 1 010~1 070 cm-1等波段二者存在相似性, 但外泌体在735、 963和1 318 cm-1等处的特征信号显著高于细胞。 分析认为外泌体结构比细胞更为简单, 核酸、 蛋白质等生物大分子信息更容易被表征。 同时也提示了通过SERS检测外泌体实现快速鉴定乳腺癌的可行性。 采用非标记、 直接检测, 建立了快速检测单细胞及外泌体的SERS分析技术, 结合多元统计分析能够快速鉴别不同类型的乳腺癌细胞, 并从拉曼组学角度探究了外泌体与母源细胞的关系。 该方法具有非标记、 快速、 灵敏、 准确、 简便的优势, 为乳腺癌的体外快速诊断与筛查提供有效的技术手段, 为临床应用奠定基础。
表面增强拉曼光谱 乳腺癌 外泌体 单细胞分析 快速检测 多元统计分析 Surface enhanced Raman spectroscopy Breast cancer Exosome Single-cellular analysis Rapid detection Multivariate statistical analysis 光谱学与光谱分析
2023, 43(12): 3840
遵义市肿瘤临床医学中心 遵义市第一人民医院(遵义医科大学第三附属医院)放疗中心遵义 563099
研究动态调强放疗方式下多叶准直器角度改变对左侧全乳大分割放疗内侧、中间和外侧瘤床同期推量的剂量学影响。选取2018年01月至2023年01月间于遵义第一人民医院收治的左侧乳腺癌保乳术后行全乳大分割放疗瘤床同期推量患者60例,按瘤床位置分为内侧、中间和外侧3组,分别对比各组患者多叶准直器角度改变的放疗计划(标记为Plan-A)与多叶准直器角度为0°的原放疗计划(标记为Plan-O)的靶区、心肺剂量学参数差异。结果显示:3组患者的Plan-A较Plan-O,靶区处方覆盖(V处方(%))、适形度指数(Conformity Index,CI)和均匀性指数(Homogeneity Index,HI)均无显著差异;在内侧组采用Plan-A相较于Plan-O,左肺(V5、V10和Dmean)、心脏(V8和Dmean)和冠状动脉左前降支(LAD)(Dmax和Dmean)均降低,差异有统计学意义(p<0.05);同时Plan-A较Plan-O,在中间和外侧组中仅外侧组LAD(Dmax和Dmean)明显减小(p<0.05),其余心肺受量参数均无显著差异。准直器角度改变对左侧全乳大分割放疗瘤床推量靶区剂量学参数无明显影响,但能使内侧组患者的心肺受量较原放疗计划明显减小,故对于左侧大分割单纯全乳放疗内侧瘤床制定放疗计划建议选择改变多叶准直器角度。
乳腺癌 多叶准直器 大分割放疗 瘤床位置 剂量学 Breast cancer Multi-leaf collimator Hypofractionated radiotherapy Tumor bed location Dosimetry 辐射研究与辐射工艺学报
2023, 41(4): 040302
分析不同硅胶补偿方式对乳腺癌根治术后调强放射治疗计划剂量学的影响;应用Oncentra 4.1放射治疗计划系统对38例乳腺癌根治术后患者设计三组放射治疗计划,分别为全程垫5 mm(5 mm_all)、半程垫5 mm(5 mm_half)、半程垫10 mm(10 mm_half)硅胶计划,处方剂量为50 Gy/25 次(2 Gy/次),其中半程计划前15次垫硅胶,后10次不垫硅胶,三组计划设置相同的照射野及目标函数,采用逆向调强进行优化,比较靶区、皮肤及危及器官的剂量学差异,正常组织并发症概率(Normal tissue complication probability NTCP)差异;5 mm_all计划所得CTV的D2、D50、V90、V95、V115均优于其他两组所得且D50、V90有显著的统计学差异(p<0.05);PTV的D2、D50、D95、D98、Dmax、V90、V95、V115、均匀性指数(HI)及适形度指数(CI)均优于其他两组所得,且D50、D95、D98、V90、V95及HI均有显著的统计学差异(p<0.05);5 mm_all所得食管的V45、心脏的V30、V40、Dmax,肱骨头的V50、Dmax、Dmean,左肺的V20、V30、Dmax,甲状腺的Dmax、Dmean,气管的Dmean均小于其他组所得,但无显著的统计学差异,5 mm_all所得皮肤的V40、V45、V50、Dmean均优于其他组所得,且均有显著的统计学差异(p<0.05),高剂量区V55及热点Dmax均低于其他组计划所得,三组计划总的机器调数(MU)有显著的统计学差异(p<0.05)且5 mm_all组总MU最低;5 mm_all组计划NTCP略优于其他组且有显著的统计学差异(p<0.05);在乳腺癌根治术后放射治疗计划设计中,全程垫5 mm硅胶能提高皮肤及靶区的剂量,提高靶区的均匀性指数和适形度指数,减少靶区及皮肤的高剂量区和热点,降低危及器官的受量,而且大幅度地减小治疗总MU减轻加速器负荷,缩短了治疗时间;同时,通过生物学模型的计算可知降低NTCP。
乳腺癌 根治术调强放射治疗 硅胶 剂量学差异分析 Breast Post-mastectomy intensity modulated radiotherapy Bolus Dosimetric difference analysis 辐射研究与辐射工艺学报
2023, 41(3): 030307
1 西北大学光子学与光子技术研究所, 陕西 西安 721710
2 西安交通大学第一附属医院, 陕西 西安 710061
相比于细胞、 组织等其他病理诊断样品, 血液样本更易临床采集, 其生化构成变化常表现于医学影像学检测到的临床症状出现之前, 更有利于实现恶性疾病的早期筛查与诊断。 拉曼光谱(RS)技术, 具有快速、 无标记、 无损、 非侵入等检测优势, 且可获得特异性的生物分子结构和物质组成信息, 在临床血液样品(血浆、 血清)的癌变诊断检测中具有重大的应用前景。 本工作采用显微拉曼光谱检测技术, 在分析不同病变阶段(健康, 早期癌变和晚期癌变)乳腺癌血清样品生化组成信息基础上, 结合主成分分析(PCA)与线性判别分析(LDA)、 支持向量机(SVM)和偏最小二乘算法(PLS-DA)等多变量光谱分析手段, 构建光谱特征归类鉴别模型; 并采用留一交叉验证方法(LOOCV)评估、 比较这些模型的灵敏度、 特异性和准确率, 探索基于血清拉曼光谱的乳腺癌诊断方法。 研究工作在观察血清类胡罗卜素成分共振拉曼光谱现象基础上, 进一步分析了乳腺癌病理演进过程中血清样品蛋白质与脂类光谱特征变化。 此外, 利用多种光谱数据模型, 在提取、 识别更具代表性的分子光谱特征信息后, 实现了较为准确的血清特征光谱信息鉴别分析。 其中, PCA-LDA模型的分类准确率达99%; PCA-SVM(三个内核函数: 线性核、 多项式核及RBF核)模型中, 当线性核函数PCA-SVM模型误差惩罚参数C为0.003时, 其在测试集中的分类准确率为92%; 当RBF核函数PCA-SVM模型参数C和参数γ分别为0.125和256时, 其在测试集中的分类准确率可达到了最高94%; 当多项式核函数PCA-SVM参数C为0.003、 多项式阶数d=1时, 其在测试集中的分类准确率为92%; 然而, PLS-DA模型的分类准确率仅为80%。 这些实验分析结果, 从光谱特征的角度描述了不同病理条件下血清的物质构成信息, 更为拓展血清拉曼光谱分析技术在乳腺癌早期筛查与病理分期分级中的应用范畴, 奠定了一定实验与理论基础。
拉曼光谱分析技术 多变量数据分类模型 乳腺癌 血清 类胡罗卜素 Raman spectroscopy technology Multivariate data classification models Breast cancer Serum Carotene
1 重庆大学光电技术及系统教育部重点实验室,光电工程学院,重庆 400044
2 成都理工大学计算机与网络安全学院,四川 成都 610000
3 陆军军医大学大坪医院病理科,重庆 400037
4 山东大学机械工程学院,山东 济南 250000
基于显微成像技术的肿瘤分级对于乳腺癌诊断和预后有着重要的意义, 且诊断结果需具备高精度和可解释性。目前,集成Attention的CNN模块深度网络归纳偏差能力较强,但可解释性较差;而基于ViT块的深度网络其可解释性较好,但归纳偏差能力较弱。本文通过融合ViT块和集成Attention的CNN块,提出了一种端到端的自适应模型融合的深度网络。由于现有模型融合方法存在负融合现象,无法保证ViT块和集成Attention的CNN块同时具有良好的特征表示能力;另外,两种特征表示之间相似度高且冗余信息多,导致模型融合能力较差。为此,本文提出一种包含多目标优化、自适应特征表示度量和自适应特征融合的自适应模型融合方法,有效地提高了模型的融合能力。实验表明本文模型的准确率达到95.14%, 相比ViT-B/16提升了9.73%,比FABNet提升了7.6%;模型的可视化图更加关注细胞核异型的区域(例如巨型核、多形核、多核和深色核),与病理专家所关注的区域更加吻合。整体而言,本文所提出的模型在精度和可解释性上均优于当前最先进的(state of the art)模型。
显微镜成像 可解释性 深度学习 自适应融合 乳腺癌 肿瘤分级 microscopic imaging interpretability deep learning adaptive fusion breast cancer tumor grading
南京航空航天大学自动化学院生物医学工程系,江苏 南京 211106
近年来,乳腺癌已成为威胁女性健康的头号恶性肿瘤,对其实现快速精准的筛查和诊断变得尤为重要。针对现有临床病理学检查需要染色突显细胞形态并依赖医生主观经验判断的局限性,立足于明场显微成像和偏振显微成像构建多模态显微成像技术,获取正常与癌变乳腺组织未染色冰冻切片的形态结构及其异质性信息并对之进行分析和诊断研究。首先对正常与癌变组织切片进行多角度正交偏振成像、明场显微成像并分析图像差异性;然后实施像素级图像融合;接着利用卷积神经网络模型,对多模态融合图像进行深度学习的特征提取与分类,有效提升准确率(0.8727)和受试者特征曲线下面积(AUC,0.9400)等参数,进而实现精准的乳腺癌智能诊断。该技术有助于医生进行快速准确的临床诊断,为实施乳腺癌术中快检以辅助精准手术治疗提供有效的技术手段,具有突出的临床潜力和应用前景。
医用光学 显微 多模态显微成像 偏振显微成像 明场显微成像 深度学习 乳腺癌病理诊断 中国激光
2022, 49(24): 2407102