高光譜成像和深度學(xué)習(xí)技術(shù)輔助黑色素瘤診斷的計(jì)算機(jī)模型國(guó)內(nèi)外研究進(jìn)展

邱越 胡熙敏 雷婉婷 何蓉

摘要：惡性黑色素瘤確診常是晚期，死亡率高。近年來(lái)，高光譜圖像輔助醫(yī)學(xué)診斷的計(jì)算機(jī)模型研究逐漸增多。該文綜述了高光譜成像和深度學(xué)習(xí)技術(shù)輔助黑色素瘤診斷的計(jì)算機(jī)模型在國(guó)內(nèi)外研究的進(jìn)展。

關(guān)鍵詞：黑色素瘤;高光譜成像技術(shù);深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）15-0128-02

1 背景

惡性黑色素瘤（Malignant Melanoma， MM）源于表皮黏膜上皮組織基底細(xì)胞間的黑色素細(xì)胞上，常見(jiàn)于皮膚，也見(jiàn)于黏膜和內(nèi)臟器官。黑色素瘤的發(fā)病率的年增長(zhǎng)率為3%～5%[1]，惡性黑色素瘤占皮膚惡性腫瘤的第三位。惡性黑色素瘤除早期手術(shù)切除外，缺乏特效治療，預(yù)后差。因此，惡性黑色素瘤的早期診斷和治療極其重要，對(duì)黑色素瘤的診治越早越好，能延長(zhǎng)患者存活時(shí)間，有效降低死亡率。皮膚黑色素瘤多數(shù)由黑色素痣發(fā)展而來(lái)，84%來(lái)自良性痣[2]。臨床診斷中，對(duì)黑色素痣的早期惡變程度進(jìn)行監(jiān)測(cè)及判斷主要采用“ABCDEF”法則，即非對(duì)稱(chēng)（Asymmetry），邊緣不規(guī)則（Border irregularity），顏色改變（Color variation），瘤體直徑（Diameter）大于6毫米，隆起（ Elevation）和奇特（Funny look），該法則雖然簡(jiǎn)單，但誤診率高，準(zhǔn)確率無(wú)法得到保證。活體組織檢查是診斷的“金指標(biāo)”，醫(yī)生往往會(huì)結(jié)合肉眼觀(guān)察和活檢的病理組織觀(guān)察得出結(jié)論。活體組織檢查通過(guò)普通顯微鏡觀(guān)察染色病理樣本，只可以觀(guān)察到圖像的二維空間特征，病理樣本組織的形態(tài)特征難以觀(guān)察，且周期長(zhǎng)、成本高。隨著染色劑的使用，操作過(guò)程的差異也會(huì)使制得的病理樣本不同，且尚無(wú)輔助工具對(duì)染色樣本提供更詳細(xì)的定量分析。因此，單靠肉眼診斷和常規(guī)活檢，無(wú)法有效提升診斷的準(zhǔn)確度和效率。另外，活體組織檢查由于是入侵性檢查，會(huì)給病人帶來(lái)一定痛苦。

2 高光譜成像技術(shù)簡(jiǎn)介

隨著計(jì)算機(jī)技術(shù)的發(fā)展，檢測(cè)和分類(lèi)皮膚病變的算法也有所增加?；趥鹘y(tǒng) RGB 圖像、皮膚病變檢測(cè)和分類(lèi)的計(jì)算機(jī)輔助診斷系統(tǒng)似乎達(dá)到其性能的上限，而高光譜成像作為一種新興技術(shù)，可能會(huì)改善系統(tǒng)性能。高光譜成像技術(shù)具有以下優(yōu)點(diǎn)：光譜范圍廣、分辨率高，除了記錄物質(zhì)的空間信息，還記錄了物質(zhì)的光譜信息，能探索超出人眼能力的光譜區(qū)域，具有較大的研究?jī)r(jià)值[1]。國(guó)內(nèi)外學(xué)者對(duì)高光譜成像技術(shù)做了大量研究，Li等人[3]提出了一種用于高光譜圖像分類(lèi)的廣義復(fù)合核機(jī)的開(kāi)發(fā)框架，該框架在復(fù)雜分析場(chǎng)景中有最先進(jìn)的分類(lèi)性能;魏峰等人[4]提出一種基于矩陣分解的算法，對(duì)高光譜數(shù)據(jù)進(jìn)行特征提取。近年來(lái)，高光譜圖像能為臨床應(yīng)用提供輔助診斷和預(yù)后信息，吸引了越來(lái)越多基礎(chǔ)科學(xué)和臨床領(lǐng)域研究人員的研究興趣 [4] 。Akbari等人[5]收集了豬的動(dòng)脈和靜脈高光譜圖像，然后使用支持向量機(jī)分類(lèi)器對(duì)豬動(dòng)脈靜脈的高光譜圖像進(jìn)行了分類(lèi)，該系統(tǒng)還可以幫助外科醫(yī)生找到血管，確定血管是否異常。Akbari 等人[6]從高光譜成像系統(tǒng)收集了前列腺癌鼠的病理切片高光譜圖像，提取和評(píng)估了在癌組織和正常組織中光譜特征，使用最小二乘支持向量機(jī)對(duì)前列腺癌病理切片的高光譜數(shù)據(jù)進(jìn)行分類(lèi)，并使用空間解析方法突出癌癥與正常反射特性的差異，來(lái)增強(qiáng)對(duì)癌組織的檢測(cè)。這些研究結(jié)果表明，高光譜成像技術(shù)可以作為一種新興的非侵入性，定量的輔助醫(yī)療檢測(cè)技術(shù)手段，在醫(yī)學(xué)疾病診斷領(lǐng)域中有一定的發(fā)展前景。

3 高光譜成像技術(shù)輔助黑色素瘤診斷

早期發(fā)現(xiàn)和正確切除惡性黑色素瘤的原發(fā)病變，對(duì)于預(yù)防惡性黑色素瘤，減少與黑色素瘤相關(guān)的死亡至關(guān)重要，基于高光譜成像技術(shù)的黑色素瘤早期檢測(cè)的自動(dòng)化篩查系統(tǒng)得到了一定的研究和發(fā)展。根據(jù)不同組織的光譜特征，設(shè)計(jì)分類(lèi)算法對(duì)黑色素瘤和其他皮膚類(lèi)型進(jìn)行自動(dòng)分類(lèi)。Nagaoka等人[7] 提出使用基于高光譜數(shù)據(jù)的皮膚色素分子水平的黑色素瘤鑒別指數(shù)，獲得皮膚病變的光譜信息變化特征，并利用這些特征，開(kāi)發(fā)了一個(gè)高光譜黑色素瘤篩查系統(tǒng)，能區(qū)分黑色素瘤與其他色素性皮膚，該系統(tǒng)靈敏度和特異性分別為90%和84%。Tsapras 等人[8] 結(jié)合高光譜相機(jī)系統(tǒng)和光譜分類(lèi)算法，對(duì)發(fā)育不良痣和黑色素瘤進(jìn)行分類(lèi)，另外，還收集了正常組織和黑色素瘤的高光譜圖像，使用光譜角度映射器算法，用正常皮膚區(qū)域收集的光譜為參考光譜，并與從病變組織中獲得的光譜進(jìn)行比較，構(gòu)建了一個(gè)動(dòng)物黑色素瘤診斷模型。兩者的敏感性和特異性都為77%。Zherdeva[9]等人提出一個(gè)用于體內(nèi)高光譜的皮膚腫瘤分析系統(tǒng)，對(duì)黑色素瘤和其他癌癥類(lèi)型進(jìn)行分類(lèi)，系統(tǒng)的敏感性和特異性分別為63%和72%。高光譜成像技術(shù)還可與顯微成像技術(shù)相結(jié)合，從微觀(guān)層面對(duì)圖譜合一的高光譜圖像進(jìn)行分析。王婷等人[2]利用激光共聚焦掃描顯微鏡圖像，基于小波變換提取黑色素瘤的紋理，使用分類(lèi)和回歸樹(shù)（CART）算法對(duì)黑色素瘤和良性痣進(jìn)行分類(lèi)，提高了黑色素瘤早期診斷的準(zhǔn)確率，并降低了良性痣的誤診率。Ornberg等人[10] 使用高光譜顯微成像系統(tǒng)對(duì)組織切片進(jìn)行高通量彩色圖像分析，為病理學(xué)組織切片的分析提供維度信息更豐富。

4 深度學(xué)習(xí)在輔助黑色素瘤診斷中的應(yīng)用

4.1 深度學(xué)習(xí)

近年來(lái)，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)子集得到了快速發(fā)展。與傳統(tǒng)的機(jī)器學(xué)習(xí)需要手動(dòng)提取特征并考慮領(lǐng)域?qū)I(yè)知識(shí)不同，深度學(xué)習(xí)可以自動(dòng)提取特征。深度學(xué)習(xí)是一種由多個(gè)處理層組成的計(jì)算模型，通過(guò)將輸入信息轉(zhuǎn)換為具有簡(jiǎn)單但非線(xiàn)性模塊的多個(gè)抽象級(jí)別[11]， 來(lái)自動(dòng)學(xué)習(xí)數(shù)據(jù)的表示。通過(guò)這些轉(zhuǎn)換，深度學(xué)習(xí)模型將自動(dòng)地學(xué)習(xí)到一個(gè)非常復(fù)雜的函數(shù)，從而使深度學(xué)習(xí)可以自動(dòng)提取圖像特征，對(duì)圖像進(jìn)行智能分析。

4.2 深度學(xué)習(xí)輔助黑色素瘤診斷模型

隨著人工智能的發(fā)展，深度學(xué)習(xí)越來(lái)越多地用于醫(yī)學(xué)圖像的分析。一些研究已經(jīng)將深度學(xué)習(xí)方法應(yīng)用于黑色素瘤識(shí)別。Tognetti等人[12]收集了979張非典型黑色素細(xì)胞性皮膚病的皮膚鏡圖像，臨床數(shù)據(jù)和相關(guān)組學(xué)數(shù)據(jù)，建立深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)非典型黑色素細(xì)胞性皮膚病進(jìn)行分類(lèi)，準(zhǔn)確率為90.3%，有效地支持皮膚科醫(yī)生高精度地鑒別非典型痣和早期黑色素瘤。Hekler等人[13] 在分類(lèi)組織病理學(xué)黑色素瘤圖像時(shí)，使用卷積神經(jīng)網(wǎng)絡(luò)模型分類(lèi)達(dá)到平均敏感性、特異性、精度分別為76%、60%和68%，相比之下，11個(gè)病理學(xué)家對(duì)非典型黑色素細(xì)胞性皮膚病進(jìn)行分類(lèi)，達(dá)到平均敏感性、特異性、精度分別為51.8%、66.5%和59.2%，他們認(rèn)為，在組織病理學(xué)黑色素瘤圖像的分類(lèi)上，他們構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)于11個(gè)組織病理學(xué)家，人工智能能協(xié)助醫(yī)生對(duì)黑色素瘤進(jìn)行診斷。RDS等人[14]使用基于U-Net的卷積神經(jīng)網(wǎng)絡(luò)，自動(dòng)對(duì)皮膚腫瘤進(jìn)行分割，并使用支持向量機(jī)分類(lèi)器對(duì)黑色素瘤和良性病變圖像進(jìn)行分類(lèi)，準(zhǔn)確度為85.19%，他們認(rèn)為，在深度學(xué)習(xí)環(huán)境中，U-Net的分割算法是分割醫(yī)學(xué)圖像的最好方法，有助于提高分類(lèi)性能。Esteva等人[15]使用了經(jīng)過(guò)預(yù)訓(xùn)練的GoogleNet 和Inception V3組成的體系結(jié)構(gòu)，并對(duì)模型進(jìn)行了遷移學(xué)習(xí)。在判斷黑色素瘤時(shí)，皮膚科醫(yī)生的平均表現(xiàn)低于他們構(gòu)建的深度學(xué)習(xí)模型的ROC曲線(xiàn)的水平，只有一名皮膚科醫(yī)生的表現(xiàn)優(yōu)于該模型的ROC曲線(xiàn)。表明在這項(xiàng)研究中，基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的深度學(xué)習(xí)模型比皮膚科醫(yī)生有更高的準(zhǔn)確性。

4.3基于高光譜成像技術(shù)和深度學(xué)習(xí)的黑色素瘤診斷模型

隨著高光譜成像和深度學(xué)習(xí)技術(shù)的發(fā)展，出現(xiàn)了將兩者結(jié)合起來(lái)，應(yīng)用到黑色素瘤的輔助診斷中。R?s?nen等人[16]對(duì)26例色素性病變（10例色素性基底細(xì)胞癌、12例原位黑色素瘤、4例侵襲性黑色素瘤）進(jìn)行了高光譜成像和病理學(xué)檢查，然后，使用卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器鑒別基于高光譜圖像的色素沉著基底細(xì)胞癌和黑色素瘤。系統(tǒng)靈敏度為100%（95%置信區(qū)間81%～100%），特異性90%（95%可信區(qū)間60%～98%），陽(yáng)性預(yù)測(cè)值94%（95%可信區(qū)間73%～99%）。說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器可以在高光譜圖像中區(qū)分黑色素瘤和色素基底細(xì)胞癌。Hirano等人[17]使用高光譜成像器獲取高光譜數(shù)據(jù)，這些數(shù)據(jù)包含有關(guān)波長(zhǎng)和位置的信息;使用Imagenet預(yù)先訓(xùn)練一個(gè)稱(chēng)為Googlenet的深度學(xué)習(xí)模型;并使用一個(gè)稱(chēng)為“Mini Network”的網(wǎng)絡(luò)層，將具有84個(gè)通道的高光譜數(shù)據(jù)轉(zhuǎn)化為3個(gè)通道的數(shù)據(jù)，輸入到Googlenet模型中，并使用619例病變（包括278個(gè)黑色素瘤病灶和341個(gè)非黑色素瘤病灶）訓(xùn)練并評(píng)估所建的深度學(xué)習(xí)模型，該模型的敏感性，特異性和準(zhǔn)確度分別為69.1%、75.7%和72.7%。

5 討論

本文綜述了高光譜成像技術(shù)，深度學(xué)習(xí)在黑色素瘤上的應(yīng)用和高光譜成像與深度學(xué)習(xí)技術(shù)相結(jié)合用于黑色素瘤的輔助診斷。高光譜技術(shù)輔助診斷黑色素瘤也存在一些缺點(diǎn)：如存在數(shù)據(jù)冗余，從大量數(shù)據(jù)中提取有利信息以及在數(shù)據(jù)校準(zhǔn)校正、數(shù)據(jù)壓縮、降維、數(shù)據(jù)分析等方面都存在一定難度。目前，很多學(xué)者仍在研究高光譜圖像數(shù)據(jù)處理的方法;目前，仍然缺乏大型、高質(zhì)量的高光譜皮膚病變的數(shù)據(jù)集圖像[18]，未來(lái)的研究應(yīng)為目標(biāo)人群開(kāi)發(fā)大型數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)應(yīng)該包含黑素瘤患者的病例數(shù)據(jù)、皮膚圖像、組學(xué)數(shù)據(jù)和診斷結(jié)果等，從而訓(xùn)練更有針對(duì)性的算法模型，確保算法模型的可靠性，提高算法對(duì)輔助診斷黑色素瘤的準(zhǔn)確率和可泛化程度;也有必要擴(kuò)展當(dāng)前的分類(lèi)方法，搭建、改進(jìn)各種深度學(xué)習(xí)模型，使用高光譜圖像的所有時(shí)空信息，將高光譜成像技術(shù)應(yīng)用于更多生物醫(yī)學(xué)和臨床領(lǐng)域。

參考文獻(xiàn)：

[1] 黃怡.基于顯微高光譜成像的皮膚黑色素瘤識(shí)別方法研究[D].上海：華東師范大學(xué)，2018：20-21.

[2] 王婷，后桂榮，張寧，等.基于激光共聚焦顯微鏡圖像的黑色素瘤計(jì)算機(jī)輔助診斷算法研究[J].中國(guó)醫(yī)學(xué)影像學(xué)雜志，2013，21（2）：130-133.

[3] Li J，Marpu P R，Plaza A，et al.Generalized composite kernel framework for hyperspectral image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2013，51（9）：4816-4829.

[4] 魏峰，何明一，馮燕，等.基于矩陣分解的高光譜數(shù)據(jù)特征提取[J].紅外與毫米波學(xué)報(bào)，2014，33（6）：674-679.

[5] Akbari H，Kosugi Y，Kojima K，et al.Blood vessel detection and artery-vein differentiation using hyperspectral imaging[J].Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual International Conference，2009，2009：1461-1464.

[6] Akbari H，Halig L V，Schuster D M，et al.Hyperspectral imaging and quantitative analysis for prostate cancer detection[J].Journal of Biomedical Optics，2012，17（7）：076005.

[7] Nagaoka T，Nakamura A，Okutani H，et al.A possible melanoma discrimination index based on hyperspectral data：a pilot study[J].Skin Research and Technology，2012，18（3）：301-310.

[8] Tsapras A，Emmanouil T，Emmanouil P，et al.Hyperspectral imaging and spectral classification for assisting in vivo diagnosis of melanoma precursors：preliminary results obtained from mice[C]//2016 IEEE International Conference on Imaging Systems and Techniques.October 4-6，2016，Chania，Greece.IEEE，2016：379-383.

[9] Zherdeva L A，Bratchenko I A，Myakinin O O，et al.In vivo hyperspectral imaging and differentiation of skin cancer[C]//SPIE/COS Photonics Asia.Proc SPIE 10024，Optics in Health Care and Biomedical Optics VII，Beijing，China.2016，10024：658-665.

[10] Ornberg R L，Woerner B M，Edwards D A.Analysis of stained objects in histological sections by spectral imaging and differential absorption[J].The Journal of Histochemistry and Cytochemistry，1999，47（10）：1307-1314.

[11] LeCun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.

[12] Tognetti L，Bonechi S，Andreini P，et al.A new deep learning approach integrated with clinical data for the dermoscopic differentiation of early melanomas from atypical nevi[J].Journal of Dermatological Science，2021，101（2）：115-122.

[13] Hekler A，Utikal J S，Enk A H，et al.Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images[J].European Journal of Cancer （Oxford，England：1990），2019，118：91-96.

[14] Seeja R D，Suresh A.Deep learning based skin lesion segmentation and classification of melanoma using support vector machine （SVM）[J].Asian Pacific Journal of Cancer Prevention：APJCP，2019，20（5）：1555-1561.

[15] Esteva A，Kuprel B，Novoa R A，et al.Dermatologist-level classification of skin cancer with deep neural networks[J].Nature，2017，542（7639）：115-118.

[16] R?s?nen J，Salmivuori M，P?l?nen I，et al.Hyperspectral imaging reveals spectral differences and can distinguish malignant melanoma from pigmented basal cell carcinomas：a pilot study[J].Acta Dermato Venereologica，2021，101（2）：adv00405.

[17] Hirano G，Nemoto M，Kimura Y，et al.Automatic diagnosis of melanoma using hyperspectral data and GoogLeNet[J].Skin Research and Technology，2020，26（6）：891-897.

[18] Johansen T H，M?llersen K，Ortega S，et al.Recent advances in hyperspectral imaging for melanoma detection[J].WIREs Computational Statistics，2020，12（1）：1465.

【通聯(lián)編輯：唐一東】