发布时间：2019-06-26 17:44浏览量：0
如果肿瘤细胞刚刚产生，就可以被准确地“拔出”，这将给肿瘤的诊断和治疗带来很大的变化。为了实现这一点，成像方法必须具有极高的灵敏度。
近日，中国科学院自动化研究所和中国科学院分子成像重点实验室在基于人工智能(人工智能)的新成像方法研究方面取得突破——研究人员将小鼠颅内胶质瘤的三维定位精度从传统方法的100微米误差降低到10微米误差，为疾病动物模型甚至临床患者的成像研究提供了新的思路。相关研究论文发表在《光明》杂志上。
“图像不是凭空获得的，而是通过成像设备获得的。传统方法通常不能提供最佳的成像质量。在人类识别图像之前，许多关键信息会在将成像信号转换成图像的过程中丢失。人工智能技术可以突破这个瓶颈。“论文第一作者、中国科学院自动化研究所副研究员王坤告诉《中国科学日报》，通过建立新的人工智能模型，可以将原始物理信号转换成更准确、分辨率更高、伪影更少、信噪比更高的高质量图像。“人脑”和“机器脑”都能更好地识别、识别和学习。这是这项研究带来的最重要的创新。
非常有挑战性的工作
肿瘤的早期检测并不容易，特别是对于一些恶性肿瘤，潜伏期甚至可以长达20年。当身体发出警报时，通常会到达中间或后期阶段。如何实现早期微小肿瘤的准确检测，及时观察肿瘤细胞首次出现时产生的特定蛋白质、酶甚至核糖核酸，一直是科学家们的研究方向。
“然而，在真实的物理世界中，没有多少成像介质能够提供如此高的灵敏度。“王坤坦率地说，人们普遍认为最好的是高能伽马射线和非辐射光子，但基于伽马探测的放射性核素成像昂贵且难以推广。光学成像成本低，但大多数是二维图像，缺乏三维信息。
“我们使用人工智能来解决光学成像难以在三维空间量化的问题。”王坤说，“也就是说，我们不仅可以高灵敏度地看到是否有肿瘤，它是哪种分子类型的肿瘤，而且还可以高精度地知道肿瘤在哪里以及它有多大。”
王坤提到的光学成像是指生物自发光层析成像技术，是生物医学成像的重要手段，广泛应用于疾病动物模型的成像研究。然而，因为光子在生物体中具有高散射和高吸收的不均匀物理特性，所以通过检测动物表面上的发光点来反向重建生物体中的光源位置(即肿瘤位置)是一项非常具有挑战性的任务。
清华大学医学院生物医学工程系的研究员罗文坚告诉《中国科学》。以前，光学层析成像的大多数重建问题是基于模型的方法，包括前向和反向问题的解决。正问题的解决一般是利用辐射传输方程或扩散方程等模型来模拟光子在组织中的传播过程，然后得到系统矩阵。大多数逆问题通过一些优化方法得到内部光源的具体信息，如位置、形状、强度等。
“然而，这种基于模型的方法必然会受到模型近似的影响，导致重建精度的降低。”罗文健强调道。可以理解，解决正问题和反问题的两种误差叠加在一起，最终导致通过光学层析成像对动物肿瘤进行三维定位的误差为数百微米至1毫米。
机器学习带来突破
为了减少误差，王坤的团队提出了基于机器学习的人工智能重建:完全放弃构建描述生物体内光子传播的正向模型，建立大量模拟数据集来确定动物体表光斑和体内光源， 然后训练计算机通过数据集智能学习体表光斑与体内光源之间的非线性关系，构建适合生物发光断层成像的人工智能模型，最后在活体动物的肿瘤承载模型中三维重建肿瘤的三维分布。
本研究首次将机器学习中的多层感知器方法应用于光学故障重构，并提出了自己的数据集构建方法，实现了从数据到结果的跨模型创新框架，将重构定位误差降低到传统方法的十分之一。同时，也表明人工智能方法可以用来解决光学故障重构问题。”罗文健说道。
然而，王坤强调，生物发光断层摄影涉及基因编辑和肿瘤细胞的修饰，因此它只能用于动物，而不能用于人类。然而，他们开发的基于人工智能的光学三维重建方法具有推广价值，理论上可以用于其他光学分子图像的成像技术，如激发荧光成像、近红外成像等。因此，该方法本身具有良好的临床转化应用能力。
数据收集和分析面临挑战
机器学习的基础是数据，对于生物医学成像，很难建立大的数据集。
“例如，在我们的研究中，构建了近8000个携带神经胶质瘤的小鼠模型来训练我们的机器学习模型。真正让生物学家一个接一个地建立原位胶质瘤小鼠模型需要很长时间和巨大的人力财力，这是非常不现实的。”王坤说。
“我们建立的模拟数据达到了很高的精度，很好地模拟了真实的肿瘤动物。“王坤说，他们使用生物学家建造的真实神经胶质瘤小鼠来验证训练有素的人工智能模型是否准确可靠。最终结果表明，新的神经胶质瘤人工智能方法的三维定位误差小于80微米，而传统方法的定位误差大于350微米。
