近红外成像和机器学习可以识别隐藏的肿瘤

即使肿瘤是良性的，也会损伤周围的血管和组织。如果是恶性的，就会变得咄咄逼人，鬼鬼祟祟，通常会造成不可挽回的损失。在后一种情况下，早期发现是治疗和康复的关键。然而，这种检测有时可能需要先进的成像技术，而不是今天市场上可以买到的技术。

例如，一些肿瘤发生在器官和组织的深处，并被粘膜覆盖，这使得科学家很难通过标准方法直接观察到它们，例如内窥镜检查(通过细管将小型摄像机插入患者体内)。他们在活检的时候。特别是胃肠道间质瘤，通常在胃和小肠中发现，需要苛刻的技术，这是耗时的，并且会延长诊断时间。现在，为了提高GIST的诊断水平，来自东国家癌症中心医院的佐藤大树博士、池松博司和桑田武司，以及来自理研高级光子学中心的田英夫洋子博士和广司博士。东京科技大学的Toshimaka高松和我的Koei Soga开发了一种技术，该技术将近红外高光谱成像(NIR-HSI)与机器学习结合起来。他们的发现发表在《自然科学报告》上。

武村博士解释说：“这项技术有点像x光。这个想法是利用可以穿过人体的电磁辐射来生成内部结构的图像，”他说。“不同的是，X射线的波长为0.01- 10纳米，但近红外波长在800-2500纳米左右。在这个波长下，近红外辐射使图像中的组织看起来透明，这些波长对患者的伤害甚至比可见光还要小。”

这应该意味着科学家可以安全地研究隐藏在组织内部的东西，但是在武村博士和他的同事进行研究之前，还没有人尝试过将近红外-高速成像用于胃肠道间质瘤等深部肿瘤。在谈及促使他们进行这项调查的原因时，武村博士向开始研究之旅的已故教授致敬：“这个项目之所以成为可能，是因为已故的金井一弘教授打破了医生和工程师之间的隔阂，建立了这种合作关系。我们遵从他的意愿。”

武村博士的团队对12名确诊为胃肠道间质瘤的患者进行了影像学实验，他们通过手术切除了肿瘤。科学家使用近红外(NIR-HSI)对切除的组织进行成像，然后请病理学家检查图像，以确定正常组织和肿瘤组织之间的边界。然后将这些图像作为机器学习算法的训练数据，本质上是教计算机程序区分图像中代表正常组织的像素和代表肿瘤组织的像素。

科学家发现，即使12个测试肿瘤中有10个被粘膜完全或部分覆盖，机器学习分析仍然可以有效识别GIST，并以86%的准确率对肿瘤和非肿瘤切片进行正确的颜色编码。武村博士解释说：“这是一个非常令人兴奋的发展。不同类型的黏膜下肿瘤无需活检即可准确、快速、无创地诊断。这种手术需要手术，对患者和病人来说都非常容易。医生。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！