计算机辅助成像技术可降低乳腺癌第二次手术的风险

根据最近的一项研究，四分之一的乳腺癌患者在选择了乳房肿瘤切除术后，将需要第二次手术，这既增加了成本，也增加了并发症的风险。

为什么第二次手术如此普遍?目前，外科医生在手术中可以确认“边缘”没有癌细胞的唯一方法是组织围绕被切除的肿瘤-是通过进行冷冻切片，使用液氮冷冻切除的组织，然后将组织切片成薄片并染色，供病理学家在实验室检查。这一程序通常在手术中进行，以评估肿瘤边缘。如果发现阳性边缘，外科医生会切除更多的组织。然后将切除的组织送去进行彻底的组织病理学评估。然而，冷冻切片可能会遗漏组织表面的肿瘤边缘——而且经常如此——而且实验室的组织病理学结果要过几天才能得到。

如果外科医生有一种更准确的方法——在手术室里，实时地——发现边缘是否没有癌症细胞?

里海大学电气工程助理教授周超(音)和他的合作者、计算机科学与工程副教授黄晓蕾(音)正致力于将这一愿景变为现实。他们创造了一种计算机辅助诊断技术，将尖端成像技术与人工智能的最新进展结合起来，实时检测癌细胞和良性细胞之间的差异。

该项目的高级合作者包括麻省理工学院的James G. Fujimoto教授;哈佛医学院的James L. Connolly博士;Drs。来自中国河南省郑州大学第三附属医院的曾宪旭和张湛。

“我们的想法是，有一天，如果这项技术可以在手术中使用，它可以补充组织病理学，可能会减少对第二次手术的需求乳腺癌手术。”周说。

可行性研究-发表于一篇文章在医学图像分析-取得了令人鼓舞的结果:他们的技术实现了超过90%的分类准确率。这意味着该系统在90%以上的时间内正确识别了良性细胞和癌细胞。

强大的图像配合强大的分析

周和黄的方法是引人注目的，因为它是一种被称为光学相干显微镜(OCM)的成像技术作为乳腺癌诊断的相对较新的应用。它还以其训练计算机系统识别纹理模式的创新方法而闻名。

从OCM图像中提取的特征用于训练计算机系统自动识别不同的组织类型。

黄说:“这个过程需要大量的图像，并标记样本中的组织类型。”“对于图像中的每个像素，我们都知道它是脂肪、癌细胞还是其他细胞类型。此外，我们提取了数千个可以出现在图像中的不同特征，如纹理、颜色或局部对比度，我们使用机器学习算法来选择哪些特征最具辨辨性。”

在检查了多种类型的纹理特征后，Huang和Zhou确定局部二值模式(LBP)特征——将中心像素的强度与其相邻像素的强度进行比较的视觉描述符——最适合用于OCM成像的组织分类。

该团队还集成了其他两个特征——一个被称为平均局部二进制模式(ALBP)，将每个相邻像素的强度值与所有相邻像素的平均强度值进行比较:另一个被称为基于块的局部二进制模式(BLBP)，比较中心像素周围邻域中某种形状的块中像素的平均强度值。在他们的工作中使用了两种不同形状的像素块，即Spoke和Ring。

最后，由于人体乳腺组织OCM图像中存在不同尺度的纹理模式，他们将不同半径参数下获得的LBP、ALBP和BLBP特征整合为一个多尺度特征。所有这些结合起来显著提高了分类的准确性。

文章中写道:“我们的实验表明，通过在多个尺度上集成一组精选的LBP和两种新变体(ALBP和BLBP)特征，使用神经网络分类器的分类准确率从81.7%(单独使用LBP特征)提高到93.8%。”

黄补充说:“此外，我们利用这些多尺度和集成的图像特征，实现了使用OCM图像进行癌症检测的高灵敏度(100%)和特异性(85.2%)。”

Zhou的工作专注于改进生物医学成像技术，是OCM新应用的先驱，OCM是一种可以提供3D、高分辨率的非侵入性成像方法

细胞水平的生物组织染色图像。OCM图像非常接近通过组织病理学检测到的图像。

作为训练计算机识别视觉图像的专家，黄的角色是确定分析这些图像以区分良性和癌变组织的最佳方法。

强大的成像和强大的图像分析技术的结合，可能是实现在手术室中实时诊断乳腺癌组织的重要一步。研究人员希望有一天它能最大限度地减少第二次手术的需要，降低成本，降低患者并发症的风险。