结直肠癌是全球第二大常见癌症，约90%的病例发生在50岁或50岁以上的人群中。癌细胞起源于结肠的内表面或肌层，可以穿透结肠的深层并扩散到其他器官。如果不及时治疗，这种疾病是致命的。
目前的结肠癌筛查是通过柔性结肠镜进行的。这一过程包括在内窥镜上安装一个照相机，对结肠和直肠的粘膜衬里进行目视检查。然后对出现异常的区域进行活检以进行分析。虽然这是目前的医疗标准，但它也有缺点。首先，这种技术依赖于视觉检测，但肉眼很难发现小的病变，早期的恶性肿瘤往往被忽略。第二，视觉内窥镜只能检测肠壁表面的变化，而不能检测肠壁深层的变化。
朱华盛顿大学圣路易斯分校麦凯维工程学院的生物医学工程教授Quing Zhu和生物医学工程博士生Yifeng Zeng正在开发一种新的成像技术，可以提供准确、实时、计算机辅助诊断结肠直肠癌。
研究人员利用深度学习(一种机器学习)技术，对来自结肠组织样本的26000多帧成像数据进行了分析，以确定该方法的准确性。与病理报告相比，在这项初步研究中，他们能够100%准确地鉴别肿瘤。
这是第一个报告使用这种类型的成像结合机器学习来区分健康的结肠直肠组织与癌前息肉和癌组织。研究结果发表在《Theranostics》杂志的网络版上。
这项研究技术基于光学相干断层成像(OCT)，这是一种光学成像技术，已经在眼科应用了20年，用于拍摄视网膜图像。然而，麦凯维学院和其他地方的工程师一直在把这项技术用于其他用途，因为它提供了高达1至2毫米成像深度的高空间和深度分辨率。OCT能检测健康组织和病变组织对光折射的不同，对癌前病变和早期癌症的形态学改变高度敏感。当进一步发展时，该技术可以作为一种实时的、非侵入性的成像工具，与传统结肠镜检查一起，用于帮助筛查深部癌前息肉和早期结肠癌。
“我们认为这项技术，结合结肠镜内窥镜，将非常有助于外科医生诊断结直肠癌，”该论文的资深作者、华盛顿大学医学院马林克罗特放射学研究所放射学教授朱说。“更多的研究是必要的，但我们的想法是，当外科医生使用结肠镜检查结肠表面时，这项技术可以在局部放大，以帮助更准确地诊断较深的癌前息肉和早期癌症以及正常组织。”
朱和她的团队与Matthew Mutch医学博士合作，他是结肠和直肠外科的主任;小威廉·查普曼，医学博士，结肠和直肠外科住院医师;还有Deyali Chatterjee，医学博士，病理学助理教授免疫学，都在医学院。
两年前，这篇论文的第一作者曾开始使用OCT作为研究工具，对医学院从病人身上取下的结肠直肠组织进行成像。他观察到健康的结肠直肠组织有一种类似于牙齿的模式。然而，癌前病变和癌组织很少出现这种情况。牙齿的形状是由结肠直肠组织的健康粘膜组织的光衰减引起的。
徐曾开始与另一个研究生,石漆,谁赢得了2019年从麦凯维工程电气工程硕士学位,co-first作者,RetinaNet训练,大脑的神经网络模型神经元连接在复杂的模式来处理数据,识别和组织样本的学习模式。他们使用从20个肿瘤区域、16个良性区域和6个其他异常区域采集的患者组织样本中获得的约26,000张OCT图像，对该网络进行了培训和测试。该系统预测的诊断结果与标准组织学的组织标本评估结果进行了比较。病理学住院医师Zahra Alipour和Heba Abdelal协助进行了比较。该研究小组发现了100%的敏感性和99.7%的特异性。
“我们的系统的独特之处在于我们可以探测到图像中的结构模式，”曾说。“利用OCT，我们可以在所有正常组织中发现一种模式。然后我们可以用这种模式来分类异常组织和癌变组织，从而做出准确的诊断。”
朱,曾庆红和团队,与潮州合作,生物医学工程的副教授,现在开发一个导管与结肠镜检查,可以同时使用内窥镜分析牙表面模式结肠组织和提供一个得分的概率从RetinaNet癌症外科医生。
“现在，我们可以在4秒内得到反馈，”曾说。“随着计算速度和导管的进一步发展，我们可以向外科医生实时提供反馈，”曾说。
圣路易斯华盛顿大学(Washington University)麦凯维工程学院(McKelvey School of Engineering)提倡独立调查和教育，强调科学的卓越性、创新和无国界合作。麦凯维工程学院拥有一流的跨院系研究和研究生项目，尤其是在生物医学工程、环境工程和计算机领域，并且拥有全国最优秀的本科生项目之一。我们拥有140名全职教师、1387名本科生、1448名研究生和21000名在世校友，我们正在努力解决一些社会上最大的挑战;培养学生成为领导者，并在他们的职业生涯中不断创新;成为圣路易斯地区及其他地区经济发展的催化剂。
曾艳，徐s, Chapman W, Li S, Alipour Z, Abdelal H, Chatterjee D, Mutch M, Zhu Q.基于深度学习的实时结直肠癌诊断。开展2019年;提前在线出版。doi: 10.7150 / thno.40099。
本研究由美国国立卫生研究院(R01CA151570, R01EB002136, R01CA228047)和华盛顿大学肿瘤外科基础科学和转化研究培训项目资助的国家癌症研究所T32CA009621。
新闻旨在传播有益信息，英文原版地址：https://source.wustl.edu/2019/12/machine-learning-imaging-technique-may-boost-colon-cancer-diagnosis/