准确且廉价的光学活检方法
在早期阶段(即在癌症扩散到身体其他部位之前)检测到癌症，几乎总能带来更好的治疗效果和更低的亡率。然而，对于那些无法获得良好医疗保健的人来说，例如那些资源匮乏或居住在农村地区的人，及时诊断的情况很少见。这在很大程度上是由于许多类型的癌症缺乏简单、快速且具有成本效益的诊断技术。
早期检测恶性肿瘤的一种有前景的方法是使用漫反射光谱(DRS)对可疑组织进行“光学活检”。一般来说，基于 DRS 的测量可以使用相对便宜的设备快速执行。这个想法是分析目标组织对多个频率的光的响应并估计关键光学参数。其中包括吸收系数 ( μ a ) 和折减消光系数 ( μ ' s )，这两者在肿瘤和健康组织之间往往会有所不同。
如今，逆蒙特卡罗 (MCI) 模拟被认为是分析 DRS 数据和估计组织光学特性的黄金标准。不幸的是，这种数值方法的计算量很大。另一方面，基于机器学习 (ML) 的方法是一种有竞争力的替代方案。它们的主要缺点是需要大量训练数据，并且通常使用模拟数据集来简化数据收集步骤。然而，模拟数据集并不能准确反映医疗仪器使用不当引起的所有类型的错误(或“使用错误”)，因此基于机器学习的 DRS 分析技术在应用于实际测量时精度较低。
为了解决这些问题，美国马凯特大学和威斯康星医学院的 Bing Yu 副教授领导的研究团队开发了一种更稳健的 ML 模型来分析 DRS 数据并预测 μ a 和 μ ' s。他们的研究 发表在 SPIE 生物 医学光学杂志 (O) 上，可以为在资源有限的环境中使用更易于使用的癌症诊断工具铺平道路。
所提出的模型是“波长无关回归器”(WIR)，它使用 DRS 数据中的一组新颖特征来在面对使用错误时实现更高的精度。为了训练这个模型，研究人员开发了一个综合数据集，其中包括从 170 个组织模型中获取的模拟数据和实验测量数据。
更具体地说，模拟数据集被细分为七个较小的数据集。第一个包括“完美的数据”，没有任何由噪音或使用错误引起的伪影。相比之下，第二个数据集包括高斯噪声，而第三个和第四个数据集代表波长校准错误的影响，第五个和第六个数据集包含类似于热管理不当(或过热)引起的强度波动。最后，第七个数据集同时包含所有错误。“这项研究包括我们所知的最大、最多样化的实验 DRS 数据集，该数据集已用于训练和验证 DRS 光学特性预测模型，”Yu 强调。
使用这个综合数据集，研究人员验证了所提出的 WIR 模型，并将其与 MCI 方法进行了比较。至少可以说，结果非常令人鼓舞。“当综合模拟数据的所有使用误差时，WIR 模型在精度和速度之间取得了最佳平衡， μ a的误差仅为 1.75%， μ ' s 的误差仅为 1.53% ，而 MCI 的 μ a 误差为 50.9%， μ s 误差为 24.6%。 μ ′ s。就实验数据而言，WIR 模型的μ a 和 μ ' s平均误差 分别为 13.2% 和 6.1%，而 MCI 的误差大约高出八倍，”Yu 博士强调。“因此，WIR 模型可以根据 DRS 数据提供可靠的光学特性预测，并且对使用错误具有鲁棒性。”
与其他基于 ML 的技术和 MCI 模型相比，所提出的方法的计算强度较小，这使其成为临床环境中有吸引力的选择。此外，通过考虑使用错误，WIR 模型可以部分弥补医疗设备广泛培训的缺乏，这在资源有限地区的临床医生中很常见。
希望本研究开发的方法将有助于癌症和其他疾病的早期诊断，挽救生命并降低医疗费用。
版权声明：本文由用户上传，如有侵权请联系删除！