如果腫瘤細(xì)胞剛剛生成，就可以被精準(zhǔn)地“揪”出來(lái)，那將給腫瘤的診斷和治療帶來(lái)巨大變革。而要想實(shí)現(xiàn)這一點(diǎn)，成像方式就必須具有極高的靈敏度。
近日，中科院自動(dòng)化研究所、中科院分子影像重點(diǎn)實(shí)驗(yàn)室在基于人工智能(AI)技術(shù)的新型成像方法研究上獲得了突破性進(jìn)展——研究人員將小鼠顱內(nèi)腦膠質(zhì)瘤的三維定位精度，由傳統(tǒng)方法的百微米級(jí)誤差縮小到了十微米級(jí)，為疾病動(dòng)物模型乃至臨床患者的影像學(xué)研究提供了全新的思路。相關(guān)研究論文已發(fā)表于《光》期刊。
“圖像不是憑空得到的，而是成像設(shè)備獲得的，傳統(tǒng)方法往往不能提供最好的成像質(zhì)量。在人類認(rèn)知圖像之前，在成像信號(hào)轉(zhuǎn)化為圖像的過(guò)程中，會(huì)損失很多關(guān)鍵信息，人工智能技術(shù)可以突破這一瓶頸。”論文第一作者、中科院自動(dòng)化研究所副研究員王坤告訴《中國(guó)科學(xué)報(bào)》，通過(guò)建立新的AI模型，把原始的物理信號(hào)轉(zhuǎn)化為更加精確、更高分辨、更少偽影、更高信噪比的高質(zhì)量圖像，無(wú)論是“人腦”還是“機(jī)器腦”，都可以更好地識(shí)別、認(rèn)知和學(xué)習(xí)，這就是此項(xiàng)研究帶來(lái)的最本質(zhì)的創(chuàng)新。
一項(xiàng)極具挑戰(zhàn)性的工作
腫瘤的早期發(fā)現(xiàn)并不容易，特別是某些惡性腫瘤，潛伏期甚至長(zhǎng)達(dá)20年，當(dāng)身體發(fā)出警報(bào)時(shí)，往往已經(jīng)走到了中晚期。如何實(shí)現(xiàn)早期微小腫瘤的精準(zhǔn)檢測(cè)，及時(shí)觀測(cè)到腫瘤細(xì)胞剛出現(xiàn)時(shí)產(chǎn)生的某些特異性蛋白、酶甚至RNA，一直是科學(xué)家探索和研究的方向。
“不過(guò)，在現(xiàn)實(shí)的物理世界中，能夠提供如此高靈敏度的成像媒介并不多。”王坤坦言，目前公認(rèn)最好的是高能伽馬射線和無(wú)輻射的光子，但是基于伽馬探測(cè)的放射性核素成像成本高，難以普及;光學(xué)成像成本低廉，但大都是二維圖像，缺乏三維信息。
“我們用人工智能解決的就是光學(xué)成像難以三維定量的問(wèn)題。”王坤說(shuō)，“也就是既可以高靈敏度地看到有沒(méi)有腫瘤，是哪種分子類型的腫瘤，還可以高精確度地知道腫瘤在哪里，有多大規(guī)模。”
王坤提到的光學(xué)成像是指生物自發(fā)光斷層成像技術(shù)，該技術(shù)是生物醫(yī)學(xué)成像的重要手段，廣泛應(yīng)用于疾病動(dòng)物模型的影像學(xué)研究。然而，由于光子在生物體內(nèi)具有非均勻化的高散射和高吸收的物理特性，通過(guò)探測(cè)動(dòng)物體表的發(fā)光光斑來(lái)逆向重建出生物體內(nèi)的光源位置(即腫瘤位置)，是一項(xiàng)極具挑戰(zhàn)性的工作。
清華大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系研究員羅建文告訴《中國(guó)科學(xué)報(bào)》，此前，光學(xué)斷層重建問(wèn)題大多是基于模型的方法，包括正問(wèn)題和逆問(wèn)題的求解。正問(wèn)題的求解一般是利用輻射傳輸方程或者擴(kuò)散方程等模型來(lái)模擬光子在組織體中的傳播過(guò)程，進(jìn)而得到系統(tǒng)矩陣;逆問(wèn)題的求解大多采用一些優(yōu)化方法，來(lái)獲得體內(nèi)光源的具體信息，如位置、形態(tài)、強(qiáng)度等。
“然而，這種基于模型的方法，勢(shì)必會(huì)受到模型近似的影響，導(dǎo)致重建精度降低。”羅建文強(qiáng)調(diào)。據(jù)了解，正問(wèn)題和逆問(wèn)題求解的兩種誤差疊加在一起，最終導(dǎo)致光學(xué)斷層成像對(duì)于動(dòng)物體內(nèi)腫瘤的三維定位具有數(shù)百微米到1毫米的誤差。
機(jī)器學(xué)習(xí)帶來(lái)突破
為減少誤差，王坤所在團(tuán)隊(duì)提出基于機(jī)器學(xué)習(xí)的AI重建：完全舍棄構(gòu)建前向模型去描述光子在生物體內(nèi)的傳播，通過(guò)構(gòu)建大量的仿真數(shù)據(jù)集，在仿真數(shù)據(jù)上確定動(dòng)物體表的光斑和體內(nèi)的光源，再通過(guò)該數(shù)據(jù)集訓(xùn)練計(jì)算機(jī)智能化學(xué)習(xí)體表光斑和體內(nèi)光源的非線性關(guān)系，從而構(gòu)建出適用于生物自發(fā)光斷層成像的AI模型，最終三維重建活體動(dòng)物荷瘤模型內(nèi)的腫瘤三維分布。
“此項(xiàng)研究首次將機(jī)器學(xué)習(xí)中的多層感知機(jī)方法應(yīng)用于光學(xué)斷層重建，并且提出了自己的數(shù)據(jù)集構(gòu)造方法，實(shí)現(xiàn)了直接由數(shù)據(jù)到結(jié)果的跨模型創(chuàng)新框架，使得重建定位誤差縮小到傳統(tǒng)方法的十分之一，同時(shí)這也提示了可以用人工智能方法去解決光學(xué)斷層重建問(wèn)題。”羅建文評(píng)價(jià)道。
不過(guò)，王坤強(qiáng)調(diào)，生物自發(fā)光斷層成像涉及到腫瘤細(xì)胞的基因編輯和改造，所以只能用在動(dòng)物身上，不能用于人體，但是他們發(fā)展出的基于AI的光學(xué)三維重建方法具有推廣性，理論上可以用在其它光學(xué)分子影像的成像技術(shù)上，例如激發(fā)熒光成像、近紅外成像等等。因此，該方法本身具有很好的臨床轉(zhuǎn)化應(yīng)用能力。
數(shù)據(jù)收集與分析面臨挑戰(zhàn)
機(jī)器學(xué)習(xí)的基礎(chǔ)是數(shù)據(jù)，而對(duì)于生物醫(yī)學(xué)成像來(lái)說(shuō)，構(gòu)建大數(shù)據(jù)集是非常困難的事情。
“比如我們的這個(gè)研究，構(gòu)建了近8000個(gè)腦膠質(zhì)瘤荷瘤的小鼠模型來(lái)訓(xùn)練我們的機(jī)器學(xué)習(xí)模型。如果真的讓生物學(xué)家去一個(gè)個(gè)構(gòu)建原位腦膠質(zhì)瘤小鼠模型，需要很長(zhǎng)時(shí)間，并投入巨大的人力和財(cái)力，是非常不切實(shí)際的。”王坤說(shuō)。
“我們構(gòu)建的仿真數(shù)據(jù)，達(dá)到了非常高的精度，很好地模擬了現(xiàn)實(shí)的腫瘤動(dòng)物。”王坤表示，他們用生物學(xué)家構(gòu)建的真實(shí)腦膠質(zhì)瘤小鼠來(lái)驗(yàn)證訓(xùn)練出來(lái)的人工智能模型是否精確可靠，最終結(jié)果表明，新型人工智能方法對(duì)于腦膠質(zhì)瘤的三維定位誤差均小于80微米，而傳統(tǒng)方法的定位誤差為350微米以上。
不過(guò)，在實(shí)際臨床應(yīng)用中，數(shù)據(jù)的收集和解析并不容易。羅建文表示，機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)，最重要的就是數(shù)據(jù)，包括數(shù)據(jù)的質(zhì)量和數(shù)量。目前在醫(yī)學(xué)成像領(lǐng)域，雖然收集到大量的數(shù)據(jù)比較容易，但是這些數(shù)據(jù)被標(biāo)記后才能用于建模，受個(gè)體差異影響很大。由于不同醫(yī)生的診斷結(jié)果不同，數(shù)據(jù)的質(zhì)量會(huì)受到影響，用它訓(xùn)練出的網(wǎng)絡(luò)就會(huì)存在問(wèn)題。
同時(shí)，羅建文表示，在診斷、治療、預(yù)后等一系列環(huán)節(jié)中，對(duì)于一些疾病的定性描述，不同的醫(yī)生也存在很大的自由度，很難統(tǒng)一說(shuō)法;不同品牌甚至同一品牌但不同型號(hào)的醫(yī)療設(shè)備采集到的圖像，也存在較大差異。這些不統(tǒng)一的數(shù)據(jù)，都會(huì)影響深度學(xué)習(xí)的分析結(jié)果。
“還有一個(gè)重要的因素就是模型的因果性和可解釋性。”羅建文強(qiáng)調(diào)，“醫(yī)學(xué)與人的生命息息相關(guān)，所以做任何一件事都要有理有據(jù)，都要有因果推論的關(guān)系。但是，做機(jī)器學(xué)習(xí)模型時(shí)，很容易陷入直接對(duì)相關(guān)性進(jìn)行建模的陷阱。相關(guān)性建模涉及的兩個(gè)因素未必有直接的因果關(guān)系。得出的模型，如何解釋其結(jié)果的意義，是一個(gè)很難處理的事情。”
臨床任重道遠(yuǎn)
在羅建文看來(lái)，深度學(xué)習(xí)擅長(zhǎng)處理的就是高維度、稀疏的信號(hào)，圖像就是這些信號(hào)中一種有代表性的形式，因此，AI在醫(yī)學(xué)影像處理上的應(yīng)用必然是一個(gè)熱點(diǎn)方向。
“醫(yī)學(xué)影像處理的典型問(wèn)題包括影像分類、目標(biāo)檢測(cè)、圖像分割和影像檢索等，都能對(duì)應(yīng)到日常臨床應(yīng)用里的一些痛點(diǎn)或比較浪費(fèi)人力的問(wèn)題。”羅建文建議，影像醫(yī)師應(yīng)該投入到AI技術(shù)的學(xué)習(xí)和應(yīng)用中，AI技術(shù)也許很快就能協(xié)助影像醫(yī)生完成一部分工作，也有潛力使現(xiàn)有的工作得到提升。
不過(guò)，上海中醫(yī)藥大學(xué)附屬曙光醫(yī)院放射科主任詹松華站在醫(yī)生的角度表示，AI在發(fā)現(xiàn)病變方面肯定大有作為，但是代替醫(yī)生來(lái)處理，很難。“發(fā)現(xiàn)病變特點(diǎn)，然后區(qū)別正常和異常，到底是炎癥還是腫瘤，最終還是由醫(yī)生來(lái)做診斷。”
詹松華認(rèn)為，AI用于生物醫(yī)學(xué)影像的方向是對(duì)的，但是目前需要更多的科研投入，需要將醫(yī)師和工程師很好地整合起來(lái)，AI人士需要傾聽(tīng)臨床的聲音，了解醫(yī)生的切實(shí)需求。另外，AI解決假陰性率是關(guān)鍵，要提高AI機(jī)器判斷的確定性，從而為醫(yī)生省時(shí)節(jié)力。
