ハイパースペクトルイメージングにより、どのようにして病理学的切片が染色に別れを告げることができるのでしょうか?この研究は新しい形質を提供します

従来の病理診断では、乳がん組織サンプルは固定、包埋、切片化、染色など10以上の工程を経る必要がありました。サンプルの納品からレポート発行までには数時間、あるいはそれ以上かかる場合がございます。術中の凍結切片段階では、患者は麻酔待ちの状態になることが多く、この時間を短縮することは手術の安全性にとって極めて重要です。

最近「Scientific Reports」に掲載された研究では、「ラベルフリー、ステインフリー」の技術的パスと深層学習アルゴリズムを組み合わせて、この臨床上の課題に対する新しい解決策を提供しようとしています。

病理画像の色が「失われる」場合

私たちがよく知っている病理画像は、通常、H&E 染色後に青紫色で表示され、細胞核と細胞質の境界が明確です。顕微鏡ハイパースペクトルイメージング (MHSI) テクノロジーは、染色せずに組織切片をスキャンすることで、可視光から近赤外 (397 ～ 1032 nm) までの 128 バンドのスペクトル情報を取得できます。

この「汚れのない」状態によってもたらされる直接的な課題は、画像に形態学的コントラストが欠けており、人間の目で直接解釈することが困難になることです。ただし、ハイパースペクトル データの利点は、すべてのピクセル ポイントの連続スペクトル曲線が記録され、さまざまな生化学成分 (タンパク質、脂質、核酸など) が特定の波長で差別化された反射特性を示すという事実にあります。このような高次元で弱い形態学的データから診断価値のある情報をどのように抽出するかが、計算病理学の新しいトピックとなっています。

「部位診断」を「複数事例学習」に変える

研究チームは、60 人の乳がん患者からの 468 個の組織切片を含むハイパースペクトル データセットを構築しました。局所的な視野で単一点予測を実行する従来の方法とは異なり、研究者らは病理学的診断をマルチインスタンス学習（MIL）問題としてモデル化しました。つまり、組織切片全体を「バッグ」として扱い、切片上の20の異なる領域から収集されたスペクトル立方体をバッグ内の「インスタンス」として扱います。モデルはセクション全体の診断結果を出力するために、すべてのインスタンスの情報を統合する必要があります。

このアプローチは、病理医の実際の画像読み取りロジックに近いもので、最初に低倍率の顕微鏡で全体を観察し、次に疑わしい領域に焦点を当てて総合的な判断を行います。

マルチレベルの「注意」メカニズム

ハイパースペクトル データの特性を目的として、チームはマルチスケール階層アテンション ネットワーク (MS-HAN) を提案しました。そのコア設計には次の 3 つの主要なレベルが含まれます。

1. マルチスケール特徴抽出は、インセプション構造から教訓を引き出し、同じ空間解像度で異なるサイズのコンボリューション カーネルを並列に使用して特徴を抽出し、微妙なスペクトルの違いから局所的なテクスチャ パターンまでの多重粒度情報をキャプチャします。

2.デュアル アテンション メカニズムは、まずスペクトル チャネル アテンションを通じてバンド間の依存関係を明示的にモデル化し、より豊富な情報を持つバンドに高い重みを与えます。次に、空間的注意を通じて 2 次元ヒート マップを生成し、ピクセル レベルのラベル付けに依存せずに、細胞形態の観点から診断価値のある領域を特定します。

3.階層的な集約とプロトタイプの学習。生物学的スペクトルの高いクラス内変動に対処するために、モデルは学習可能な「プロトタイプ ベクトル」のセットを導入し、インスタンスの特徴をこれらのプロトタイプにソフト割り当てし、プロトタイプの使用分布のエントロピーを制限することでモードの崩壊を防ぎます。最後に、セルフ アテンション メカニズムを利用してセクション内の異なる領域間の依存関係をモデル化し、アテンション プーリングを通じてセクション全体の表現を取得します。

セクションレベルのラベルのみを使用した弱い教師付きトレーニングの下で​​、モデルは独立したテストセット (94 セクション) で 86.7% の精度と 0.92 の AUC を達成し、TransMIL や CLAM などの主流の MIL ベースライン モデルと比較して統計的に有意な改善を示しました。

染色工程の省略と時間コストの圧縮

この研究の足がかりは病理医の代替ではなく、「光学切片化」＋「AI一次スクリーニング」のワークフローを模索することだ。染色ステップの省略は、試薬や消耗品のコストの削減を意味するだけでなく、より重要なことに、サンプリングからデジタル診断までの時間枠が大幅に短縮されることです。術中の凍結など時間に敏感なシナリオでは、この「カットスキャン分析」モードにより、麻酔下の患者の待ち時間が短縮されることが期待されます。

もちろん、この研究はまだ概念実証の段階にあります。 60 症例の単一センター データセットの規模は比較的限られており、準備アーティファクト、低細胞密度、またはまれな分子サブタイプに直面した場合のモデルのパフォーマンスは、依然として多センターおよび大規模サンプル データを使用した外部検証が必要です。さらに、ハイパースペクトル イメージング機器のハードウェア コストは高く、研究室から通常の病理部門に移行するには依然として工学および医療経済レベルでの考慮が必要です。