Как гиперспектральная визуализация позволяет отказаться от окрашивания патологических срезов? Данное исследование предлагает новый подход к решению этой задачи.

В традиционной патоморфологической диагностике образец тканипри раке молочной железы должен пройти более десяти этапов обработки, включая фиксацию, заливку, изготовление срезов и окрашивание. Процесс— от доставки образца до выдачи заключения — зачастую занимает несколько часов илидаже больше. На этапе интраоперационного исследования замороженныхсрезов пациенткам нередко приходится ожидать результатов, находясьпод наркозом, поэтому сокращение времени ожидания имеетрешающее значение для безопасности хирургического вмешательства.

В исследовании, недавно опубликованномв журнале Scientific Reports, предлагается новое решениеэтой актуальной клинической проблемы, основанное на использованиитехнологии, не требующей применения меток или красителей, в сочетании с алгоритмами глубокого обучения.

Когда патологические изображения «теряют» цвет

Привычные нам патологические изображения, полученныепосле окрашивания гематоксилином и эозином (H&E), обычнопредставлены в сине-фиолетовых тонах с четкими границамимежду ядром клетки и цитоплазмой. Технология гиперспектральноймикроскопии (MHSI) позволяет получать спектральную информациюв 128 диапазонах — от видимого света до ближнего инфракрасногоизлучения (397–1032 нм) — путем сканирования срезов ткани без какого-либо окрашивания.

Главная проблема, возникающая при такомподходе («без окрашивания»), заключаетсяв отсутствии морфологического контраста, из-за чего изображения трудно интерпретировать непосредственно человеческимглазом. Однако преимущество гиперспектральных данных состоитв том, что они фиксируют непрерывные спектральные кривыедля каждого пикселя, а различные биохимические компоненты (например, белки, липиды, нуклеиновые кислоты) демонстрируют различающиесяхарактеристики отражения на определенных длинах волн. Задачаизвлечения диагностически значимой информации из таких данных — характеризующихсявысокой размерностью и слабой выраженностью морфологических признаков — стала новойтемой исследований в области вычислительной патологии.

Переход от «диагностики по срезам» к «обучению на основе множественныхэкземпляров»

Исследовательская группа сформировала гиперспектральный наборданных, включающий 468 срезов тканей, полученных от 60 пациенток с раком молочнойжелезы. В отличие от традиционных методов, выполняющих прогнозирование для отдельных точек в пределах локальныхполей зрения, исследователи представили задачу патоморфологическойдиагностики как задачу обучения на основе множественных экземпляров (Multi-Instance Learning, MIL). При таком подходе весь срез тканирассматривается как «мешок» (bag), аспектральные кубы, полученные из 20 различныхучастков этого среза, — как «экземпляры» (instances) внутри данного мешка. Модельдолжна синтезировать информацию обо всех экземплярах, чтобысформировать диагностическое заключение по всему срезу.

Этот подход лучше отражает реальный алгоритм анализа изображений, применяемый патологами: сначала проводитсяобщий осмотр препарата при малом увеличении микроскопа, азатем — детальное изучение подозрительных участков для вынесения окончательногосуждения.

Многоуровневый механизм «внимания»

Учитывая особенности гиперспектральных данных, команда разработчиков предложила многомасштабную иерархическуюсеть с механизмом внимания (MS-HAN), архитектура которойвключает три ключевых уровня:

1. Извлечение признаков на разных масштабахосновано на принципах архитектуры Inception: для выделенияпризнаков параллельно используются сверточные ядра различных размеров при неизменномпространственном разрешении, что позволяет фиксировать информациюразной степени детализации — от тонких спектральных различий до локальных текстурныхпаттернов.

2. Механизм двойного внимания сначалаявным образом моделирует взаимосвязи между спектральными каналами, присваивая более высокие веса информационно насыщенным каналам, а затем формирует двумерную тепловую карту с помощью механизмапространственного внимания для локализации областей, имеющихдиагностическую ценность с точки зрения морфологии клеток, неприбегая к попиксельной разметке.

3. Иерархическая агрегация и обучениена основе прототипов. Для учета высокой внутриклассовойвариативности биологических спектров модель вводит набор обучаемых «векторов-прототипов», выполняет мягкое отнесение признаков конкретных образцов кэтим прототипам и предотвращает коллапс моды путем ограничения энтропии распределенияиспользования прототипов. Наконец, длямоделирования зависимостей между различными областями среза используется механизмсамовнимания, позволяющий получить представление всего срезапосредством пулинга на основе внимания.

В режиме обучения со слабым контролем (сиспользованием меток только на уровне срезов) модель достиглаточности 86,7% и показателя AUC 0,92 нанезависимой тестовой выборке (94 среза),продемонстрировав статистически значимое улучшение по сравнению с распространеннымибазовыми моделями класса MIL, такими как TransMIL и CLAM.

Исключение этапа окрашивания и сокращение временных затрат

Цель данного исследования — не заменить врачей-патологоанатомов, а изучить рабочий процесс, сочетающий «оптический срез» и «первичный скрининг с помощью ИИ». Отказ от окрашивания не только снижает расходы на реагентыи расходные материалы, но и — что более важно — существенносокращает время от взятия образца до постановки цифрового диагноза. Ожидается, что в ситуациях, критически важных с точки зрения времени (например, при интраоперационном экспресс-анализезамороженных срезов), такой подход по схеме «резка — сканирование — анализ» позволитуменьшить время ожидания для пациентов, находящихся поднаркозом.

Разумеется, данное исследование поканаходится на стадии подтверждения концепции. Объем набораданных, полученного в одном медицинском центре и включающего 60 случаев, относительно невелик; кроме того, эффективность модели в условияхналичия артефактов подготовки, низкой плотности клеток илиредких молекулярных подтипов требует внешней проверки на данных, полученных в ходе многоцентровых исследований с большой выборкой. Помимо этого, оборудование для гиперспектральнойвизуализации отличается высокой стоимостью, а переход отлабораторных условий к повседневному использованию в отделениях патологической анатомиитребует дополнительной проработки с инженерной и экономической точек зрения.