Слайды биопсии ткани, окрашенные гематоксилином и эозином (H&E) красители являются краеугольным камнем гистопатологии, особенно для патологов, которым необходимо диагностировать и определять стадию рака. Исследовательская группа, возглавляемая учеными Массачусетского технологического института в Медиа-лаборатории, в сотрудничестве с клиницистами Медицинской школы Стэнфордского университета и Гарвардской медицинской школы, теперь показывает, что цифровые отсканированные изображения этих биоптатов могут быть окрашены вычислительными методами с использованием алгоритмов глубокого обучения, обученных на данных, полученных физически. окрашенные слайды.
Патологоанатомы, исследовавшие окрашенный компьютерным методом H&Изображения слайдов E в слепом исследовании не могли отличить их от традиционно окрашенных слайдов при использовании их для точной идентификации и классификации рака простаты. Более того, слайды также могут быть "обесцвеченный" таким образом, который сбрасывает их в исходное состояние для использования в будущих исследованиях, пришли к выводу исследователи в своем исследовании, опубликованном 20 мая в JAMA Network Open.
Этот процесс компьютерного цифрового окрашивания и обесцвечивания позволяет сохранить небольшие объемы биопсии тканей онкологических больных и позволяет исследователям и клиницистам анализировать слайды для различных диагностических и прогностических тестов без необходимости извлечения дополнительных срезов ткани.
"Наша разработка инструмента для удаления пятен может позволить нам значительно расширить наши возможности для проведения исследований на миллионах заархивированных слайдов с известными клиническими данными о результатах," говорит Аларис Лоу, адъюнкт-профессор патологии и директор лаборатории циркулирующих опухолевых клеток в Стэнфордском университете, которая была соавтором статьи. "Возможности применения этой работы и тщательной проверки результатов действительно безграничны."
Исследователи также проанализировали шаги, с помощью которых нейронные сети глубокого обучения окрашивали слайды, что является ключевым моментом для клинического перевода этих систем глубокого обучения, говорит Пратик Шах, главный научный сотрудник Массачусетского технологического института и старший автор исследования.
"Проблема в ткани, решение – в алгоритме, но нам также нужна ратификация результатов, полученных с помощью этих обучающих систем," он говорит. "Это обеспечивает объяснение и подтверждение рандомизированных клинических испытаний моделей глубокого обучения и их результатов для клинического применения."
Другие участники MIT – первый автор и технический сотрудник Аман Рана (сейчас в Amazon) и постдок MIT Акрам Баят в лаборатории Шаха. Патологоанатомы из Гарвардской медицинской школы, больницы Бригама и женщин, Медицинской школы Бостонского университета и отдела по делам ветеранов Boston Healthcare предоставили клиническую проверку результатов.
Создание "брат или сестра" слайды
Чтобы создать слайды с компьютерной окраской, Шах и его коллеги обучили глубокие нейронные сети, которые учатся, сравнивая пары цифровых изображений слайдов биопсии до и после H&E окрашивание. По словам Шах, эта задача хорошо подходит для нейронных сетей, "поскольку они довольно мощны в изучении распределения и отображения данных таким образом, что люди не могут хорошо изучить."
Шах называет пары "братья и сестры," отмечая, что процесс обучает сеть, показывая им тысячи одноуровневых пар. По его словам, после обучения сети требуется только "недорогой и широко доступный, простой в управлении брат и сестра,"- неокрашенные изображения биопсии – для создания новых компьютерных H&E окрашенные изображения, или наоборот, где буква H&Изображение, окрашенное красителем E, практически не оставляет пятен.
В текущем исследовании исследователи обучили сеть, используя 87000 участков изображений (небольшие участки всех цифровых изображений), отсканированных из биопсии ткани простаты 38 мужчин, проходивших лечение в Бригаме и женской больнице в период с 2014 по 2017 год. Ткани и электронные истории болезни пациентов были деидентифицированы в рамках исследования.
Когда Шах и его коллеги сравнивали изображения, окрашенные обычным красителем, и изображения, окрашенные с помощью вычислений, пиксель за пикселем, они обнаружили, что нейронные сети выполняли точные виртуальные H&Окрашивание E, создавая изображения, которые на 90-96 процентов были похожи на окрашенные версии. Алгоритмы глубокого обучения также могут обратить процесс вспять, обесцветив слайды, окрашенные в расчете на вычисления, обратно в их исходное состояние с аналогичной степенью точности.
"Эта работа показала, что компьютерные алгоритмы могут надежно брать неокрашенную ткань и выполнять гистохимическое окрашивание с использованием H&E," говорит Лоу, который также сказал, что процесс "закладывает основу" для использования других красителей и аналитических методов, которые регулярно используют патологоанатомы.
Компьютерное окрашивание слайдов может помочь автоматизировать трудоемкий процесс окрашивания слайдов, но Шах сказал, что способность удалять пятна и сохранять изображения для будущего использования является реальным преимуществом методов глубокого обучения. "На самом деле мы не просто решаем проблему окрашивания, мы также решаем проблему сохранения ткани," он сказал.
Программное обеспечение как медицинское устройство
В рамках исследования четыре сертифицированных и обученных эксперта-патолога пометили 13 наборов компьютерно окрашенных и традиционно окрашенных слайдов для выявления и классификации потенциальных опухолей. В первом раунде двум случайно выбранным патологам были предоставлены изображения с компьютерной окраской, в то время как H&Изображения, окрашенные красителем E, были переданы двум другим патологам. Через четыре недели патологоанатомы обменивались наборами изображений, и был проведен еще один раунд аннотаций. Аннотации, сделанные патологами на двух наборах слайдов, перекрывались на 95 процентов. "Читатели не могли отличить их друг от друга," говорит Шах.
Оценки патологоанатомов на слайдах, окрашенных компьютерным способом, также согласуются с большинством первоначальных клинических диагнозов, включенных в электронные медицинские карты пациента. Исследователи обнаружили, что в двух случаях компьютерно окрашенные изображения опровергли первоначальный диагноз.
"Тот факт, что диагнозы с более высокой точностью могли быть поставлены на изображениях, окрашенных цифровым способом, говорит о высокой точности качества изображения," Лоу говорит.
Другая важная часть исследования заключалась в использовании новых методов для визуализации и объяснения того, как нейронные сети собирают компьютерно окрашенные и обесцвеченные изображения. Это было сделано путем создания попиксельной визуализации и объяснения процесса с использованием карт активации моделей нейронных сетей, соответствующих опухолям, и другим функциям, используемым клиницистами для дифференциальной диагностики.
Этот тип анализа помогает создать процесс проверки, который необходим при оценке "программное обеспечение как медицинское устройство," говорит Шах, который работает с U.S. Управление по санитарному надзору за качеством пищевых продуктов и медикаментов о способах регулирования и перевода компьютерной медицины в клинические приложения.
"Вопрос был в том, как внедрить эту технологию в клинические условия для получения максимальной пользы для пациентов и врачей?" Шах говорит. "Процесс внедрения этой технологии включает в себя все эти этапы: высококачественные данные, информатика, объяснение модели и производительность сравнительного анализа, визуализация изображений и сотрудничество с клиницистами для проведения нескольких раундов оценок."