近红外成像和机器学习可以识别隐藏的肿瘤

即使肿瘤是良性的，也会对周围的血管和组织造成损害。如果它们是恶性的，那么它们就具有攻击性和鬼鬼祟祟，而且通常具有不可挽回的破坏性。对于后一种情况，早期发现是治疗和康复的关键。但这种检测有时需要先进的成像技术，超出了目前商业上可用的技术。

例如，一些肿瘤发生在器官和组织的深处，被粘膜层覆盖，这使得科学家很难用内窥镜(通过细管将小型摄像机插入患者体内)等标准方法直接观察它们，也很难在活组织检查中观察到它们。特别是,胃肠间质瘤胃肠道间质瘤(gist)通常出现在胃和小肠中，需要严格的技术，非常耗时并延长诊断时间。现在，为了提高GIST的诊断水平。来自日本国立癌症中心医院东部的Daiki Sato, Hiroaki Ikematsu和Takeshi Kuwata，来自日本RIKEN先进光子学中心的Hideo Yokota博士和博士。日本东京科学大学的Toshihiro Takamatsu和Kohei Soga由Hiroshi Takemura博士领导，开发了一种使用近红外高光谱成像(NIR-HSI)的技术机器学习．他们的发现发表在《自然》杂志上科学报告．

“这项技术有点像x射线，其原理是你使用电磁辐射Takemura博士解释说，“区别在于x射线的波长是0.01-10纳米，而近红外的波长是800-2500纳米左右。”在这个波长下，近红外辐射使组织在图像中看起来透明。而且这些波长对病人的伤害甚至比可见光更小。”

这应该意味着科学家可以安全地研究隐藏在组织内部的东西，但在Takemura博士及其同事的研究之前，还没有人尝试将NIR-HSI用于胃肠道间质瘤这样的深层肿瘤。谈到是什么让他们走上这条调查路线，Takemura博士向开始他们旅程的已故教授表示敬意:“这个项目之所以成为可能，完全是因为已故的Kazuhiro Kaneko教授，他打破了医生和工程师之间的障碍，建立了这种合作。我们会遵循他的意愿。”

Takemura博士的团队对12名确诊为胃肠道间质瘤的患者进行了成像实验，这些患者都通过手术切除了肿瘤。科学家们使用NIR-HSI对切除的组织进行成像，然后让病理学家检查图像，以确定正常组织和肿瘤组织之间的边界。这些图像被用作训练数据对于机器学习算法来说，本质上是教计算机程序区分图像中代表正常组织的像素和代表肿瘤的像素组织．

科学家们发现，即使12个测试肿瘤中有10个完全或部分被粘膜层覆盖，机器学习分析在识别gist方面是有效的，正确地对肿瘤和非肿瘤部分进行颜色编码，准确率为86%。“这是一个非常令人兴奋的发展，”Takemura博士解释说，“能够准确、快速、无创地诊断不同类型的粘膜下肿瘤，而无需活检(需要手术)，这对患者和医生来说都容易得多。”

Takemura博士承认未来仍有挑战，但他认为他们已经准备好解决这些挑战。研究人员确定了几个可以改善结果的领域，例如使他们的训练数据集更大，增加关于深度的信息肿瘤是针对机器学习算法，并将其他类型的肿瘤纳入分析。在现有内窥镜检查技术基础上开发NIR-HSI系统的工作也在进行中。

Takemura博士说:“我们已经制造了一种设备，将NIR-HSI摄像机连接到内窥镜的末端，并希望很快就能直接对患者进行NIR-HSI分析，而不仅仅是对手术切除的组织进行分析。在未来，这将帮助我们将胃肠道间质瘤与其他类型的粘膜下肿瘤区分开来，后者可能更加恶性和危险。”这项研究是未来更多突破性研究的第一步，由这种跨学科合作实现。”

目前，一种准确且无创的早期检测胃肠道间质瘤的方法可能很快就会在临床上广泛应用!

---

---