準確識別出隱藏的腫瘤

科學家發現，即使12種測試腫瘤中有10種被粘膜層*或部分覆蓋，機器學習分析仍可有效地識別GIST，正確地對腫瘤和非腫瘤切片進行顏色編碼，準確度為86%。Takemura博士解釋說：“這是一個非常令人興奮的進展，無需進行活檢就能夠準確，快速且無創地診斷不同類型的粘膜下腫瘤，這種手術需要手術，這對患者和患者都非常容易。醫生。”

即使腫瘤是良性的，也會損害周圍的血管和組織。如果它們是惡性的，它們會變得攻擊性和偷偷摸摸的，并且通常會造成不可挽回的破壞。在后一種情況下，及早發現是治療和康復的關鍵。但是，這種檢測有時可能需要的成像技術，而不是當今商業上可獲得的技術。

例如，一些腫瘤發生在器官和組織的深處，被粘膜層覆蓋，這使得科學家很難通過標準方法直接觀察到它們，例如內窺鏡檢查(通過細管將小型相機插入患者體內)。他們在活檢期間。尤其是胃腸道間質瘤(GIST)-通常在胃和小腸中發現-需要苛刻的技術，這些技術非常耗時并且會延長診斷時間?，F在，為了改善GIST診斷，Dr。日本東部國家癌癥中心醫院的佐藤大樹，池松弘明和桑田武志，日本理研光子學中心的橫田英夫博士和博士。日本東京理科大學的高松敏弘(Toshimaka Takamatsu)和我的孝平晃(Koei Soga)已開發出一種將近紅外高光譜成像(NIR-HSI)與機器學習一起使用的技術。他們的發現發表在自然科學報告。

Takemura博士解釋說：“這項技術有點像X射線，其思想是使用可以穿過人體的電磁輻射來生成內部結構的圖像，”他說，“不同之處在于X射線的波長為0.01-波長為10 nm，但近紅外波長在800-2500 nm左右。在該波長下，近紅外輻射使圖像中的組織看起來像透明的，而且這些波長對患者的危害甚至比可見光要小。”

這應該意味著科學家可以安全地研究組織內部隱藏的東西，但是在Takemura博士及其同事進行的研究之前，還沒有人嘗試對GIST等深部腫瘤使用NIR-HSI。在談到促使他們進行此調查的原因時，竹村博士向已開始其研究旅程的已故教授表示敬意：“這個項目之所以成為可能，是因為已故的Kazuhiro Kaneko教授打破了醫生與工程師之間的障礙并建立了這種合作關系。我們遵循他的意愿。”

Takemura博士的團隊對12例確診為GIST的患者進行了影像學實驗，這些患者通過手術切除了腫瘤?？茖W家使用NIR-HSI對切除的組織成像，然后讓病理學家檢查圖像以確定正常組織與腫瘤組織之間的邊界。然后將這些圖像用作機器學習算法的訓練數據，本質上講是教計算機程序來區分圖像中代表正常組織的像素與代表腫瘤組織的像素。