人工智慧解決光學成像難以三維定量的問題

2023-04-02 11:01:53 3

中國科學院作為國家最高科技學術機構和國家自然科學和高新技術綜合研究開發中心，自成立以來，始終牢記使命，科學進步，祖國同行，繁榮昌盛。以國家和人民的幸福為己任，造就了一大批富有成果的人才。它為我國科技進步、經濟社會發展和國家安全作出了巨大貢獻，有著不可替代的重要貢獻。  

如果癌細胞剛剛產生，就可以被精確地拔出，這將給癌症的診斷和治療帶來巨大的變化，為了達到這個目的，成像方法必須具有很高的靈敏度。  

近年來，中國科學院自動化研究所和中國科學院分子成像重點實驗室在基於人工智慧（AI）的新型成像方法的研究方面取得了突破性進展。研究人員已經將小鼠顱內膠質瘤的三維定位精度從傳統方法的100微米誤差降低到10微米誤差，即對疾病動物模型甚至臨床患者的成像。該研究提供了一種新的思路。相關的研究論文已經發表在《華爾街日報》上。Guang。  

圖像不是從空間獲得的，而是從成像設備獲得的。傳統的成像方法往往不能提供最佳的成像質量，在人類認知圖像之前，在將成像信號轉換成圖像的過程中，會丟失大量的關鍵信息。人工智慧技術可以突破這一瓶頸。論文的第一作者、中國科學院自動化研究所副研究員王坤告訴《中國科學期刊》，通過建立新的人工智慧模型，可以將原始的物理信號轉換成具有更多信息的高質量圖像。精度高，解析度高，偽影少，信噪比高。無論是人腦還是機器腦，都能夠更好地識別、識別和學習，這是本研究帶來的。  

早期發現腫瘤並不容易，特別是對於一些潛伏期長達20年的惡性腫瘤。當人體發出警報時，往往處於中晚期，如何準確檢測早期微小腫瘤，並在腫瘤細胞首次出現時檢測出某些特定的蛋白質、酶甚至RNA，一直是科學家們探索和研究的方向。  

然而，在現實物理世界中，能夠提供如此高靈敏度的成像介質並不多，王坤坦率地說，目前公認的最好的是高能伽馬射線和非輻射光子，但是基於伽馬探測的核素成像昂貴且難以普及；光學成像便宜，但大多是兩光子。o維圖像，缺乏三維信息。  

我們利用人工智慧來解決光學成像難以進行三維定量的問題，王坤說，也就是說，我們不僅能夠看到是否存在高靈敏度的腫瘤，即哪種腫瘤的分子類型，而且能夠高精度地知道腫瘤的位置和腫瘤的大小。  

王坤將光學成像稱為生物發光層析成像技術，是生物醫學成像的重要手段，在疾病動物模型的成像研究中得到了廣泛的應用。通過檢測動物表面的光斑，在體內進行e（即腫瘤）。  

清華大學醫學院生物醫學工程系研究員羅建文在接受《中國科學雜誌》採訪時說，以前光學層析成像重建問題大多是基於模型方法的，包括正反問題的求解。用輻射傳輸方程或擴散方程模擬光子在組織中的傳播過程，得到系統矩陣。反問題通過一些優化方法求解，以獲得光源在體內的具體信息，如位置、形狀和強度。  

羅建文強調，這種基於模型的方法必然會受到模型逼近的影響，導致重建精度的降低。眾所周知，前向和反向問題求解的兩種誤差是疊加的，最終導致三維空間中幾百微米到1毫米的誤差。光學層析成像對動物體內腫瘤的定位研究。  

為了減少誤差，王坤的團隊提出了基於機器學習的人工智慧重構：放棄建立正向模型，完全描述光子在生物體中的傳播。通過建立大量的模擬數據集，根據模擬數據確定動物表面的光斑和體內的光源，然後通過數據集訓練表面的光斑和體內的光源之間的非線性關係，從而得到一個適合生物發光的人工智慧模型。構建腫瘤組織學模型，重建腫瘤在動物體內的三維分布。  

本研究首次將機器學習中的多層感知器方法應用於光學層析成像重建。提出了自己的數據集構建方法，實現了從數據到結果的跨模型創新框架，將重構定位誤差降低到傳統方法的十分之一。羅建文評論道，同時指出人工智慧方法可以解決光學層析成像重建問題。  

然而，王鑼強調生物發光層析成像涉及基因編輯和癌細胞的修飾，因此它只能用於動物，而不能用於人類。然而，基於人工智慧的三維重建方法具有普遍性，在理論上可以應用於激發螢光成像、近紅外成像等其它光學分子成像技術，因此該方法本身具有良好的臨床轉化應用能力。  

機器學習基於數據。對於生物醫學成像來說，構建大型數據集是非常困難的。  

例如，在我們的研究中，我們構建了將近8000隻攜帶膠質瘤的小鼠來訓練我們的機器學習模型。生物學家一個接一個地構建原位膠質瘤小鼠模型需要很長的時間和巨大的人力和財力，這是不切實際的。王坤說。  

王坤說，他們使用生物學家構建的真實膠質瘤小鼠來驗證訓練好的人工智慧模型的準確性和可靠性。結果表明，新的人工智慧方法對膠質瘤的三維定位誤差小於80微米，而傳統方法的定位誤差大於350微米。  

同時，羅建文表示，在診斷、治療和預後的一系列環節中，對於某些疾病的定性描述，不同的醫生也有很大的自由度，難以統一表述；不同品牌甚至同一品牌的醫療器械採集到的圖像模式不同，這些不一致的數據會影響深入學習分析的結果。  

另一個重要因素是模型的因果性和可解釋性。羅建文強調醫學與人類生活密切相關，所以任何事情都應該有理性和因果推理。然而，在製造機器學習模型時，很容易陷入直接建模相關性的陷阱。關聯建模中涉及到兩個因素之間的因果關係，如何解釋模型結果的含義是一個難點。  

在羅建文看來，深度學習擅長處理高維稀疏信號，而圖像就是這些信號的代表形式。因此，人工智慧在醫學圖像處理中的應用必然是一個熱門話題。  

醫學圖像處理的典型問題，包括圖像分類、目標檢測、圖像分割和圖像檢索，可應用於臨床日常應用或浪費人力的痛苦點。人工智慧技術可以幫助成像醫生儘快完成部分工作，並有可能改善他們現有的工作。  

然而，上海中醫藥大學附屬黎明醫院放射科主任詹松華說，從醫生的角度來看，人工智慧在檢測病理變化方面確實作出了很大貢獻，但是很難取代醫生來處理它們。病變的特點，然後區分正常和異常，無論是炎症還是癌症，或最終由醫生作出診斷。  

詹松華認為，生物醫學影像人工智慧的發展方向是正確的，但需要更多的研究投入，需要醫師與工程師的良好結合，需要聽從臨床實踐的聲音，了解醫生的實際需求，而人工智慧是解決假陰性率的關鍵。為了節省醫生的時間和精力，有必要提高人工智慧機器判斷的準確性。