マルチスペクトル光音響イメージングを用いたがん組織の自動検出

Automatic cancer tissue detection using multispectral photoacoustic imaging.

• Kamal Jnawali
• Bhargava Chinni
• Vikram Dogra
• Navalgund Rao

抄録

目的:

甲状腺摘出術や前立腺摘出術のように、がんの部位を特定するために多検体検査を行う場合、多大な労力を要する処理を高額で行う必要があります。病理診断は通常、病理医が組織染色したガラススライドを顕微鏡で観察して行う。

PURPOSE: In the case of multispecimen study to locate cancer regions, such as in thyroidectomy and prostatectomy, a significant labor-intensive processing is required at a high cost. Pathology diagnosis is usually done by a pathologist observing tissue-stained glass slide under a microscope.

方法:

マルチスペクトル光音響（MPA）検体イメージングは、病理組織学的に定義されたがん領域と正常組織との間の光音響（PA）信号特性の鑑別に成功していることが証明されています。これは主に、MPA画像からオキシヘモグロビンとデオキシヘモグロビンの含有量を効率的にマッピングする能力と、がん検出のための重要な特徴によるものです。完全自動化されたディープラーニングアルゴリズムは、3次元MPAデータセットを用いて、生体外で摘出されたばかりのヒト甲状腺および前立腺組織標本における悪性組織の存在を検出するために学習することを目的としている。提案した自動深層学習モデルは、空間的にコロケートされた特徴を抽出する畳み込みニューラルネットワークアーキテクチャと、甲状腺癌と前立腺癌の組織を一度に検出するソフトマックス機能から構成されている。これは、PAイメージングに基づいてヒトの切除した甲状腺・前立腺組織のがんの存在を一度に検出するディープラーニングモデルとしては、我々の知る限り初めてのものである。

METHOD: Multispectral photoacoustic (MPA) specimen imaging has proven successful in differentiating photoacoustic (PA) signal characteristics between a histopathology-defined cancer region and normal tissue. This is mainly due to its ability to efficiently map oxyhemoglobin and deoxyhemoglobin contents from MPA images and key features for cancer detection. A fully automated deep learning algorithm is purposed, which learns to detect the presence of malignant tissue in freshly excised ex vivo human thyroid and prostate tissue specimens using the three-dimensional MPA dataset. The proposed automated deep learning model consisted of the convolutional neural network architecture, which extracts spatially colocated features, and a softmax function, which detects thyroid and prostate cancer tissue at once. This is one of the first deep learning models, to the best of our knowledge, to detect the presence of cancer in excised thyroid and prostate tissue of humans at once based on PA imaging.

結果:

分類器の予測性能を評価する指標として曲線下面積(AUC)を用いた．提案モデルは0.96のAUCでがん組織を検出し、非常に有望な結果となった。

RESULT: The area under the curve (AUC) was used as a metric to evaluate the predictive performance of the classifier. The proposed model detected the cancer tissue with the AUC of 0.96, which is very promising.

結論:

このモデルは、機械学習と深層学習アルゴリズムを用いた以前の研究よりも改良されたものである。このモデルは、甲状腺摘出術や前立腺摘出術で得られる多数のスライス標本のがん検診にすぐに応用できる可能性がある。また、ex vivoでのPA画像の撮影に使用された装置がin vivoでの使用に向けて開発されているため、このモデルは癌診断のためのin vivo PA画像解析の出発点となる可能性がある。

CONCLUSION: This model is an improvement over the previous work using machine learning and deep learning algorithms. This model may have immediate application in cancer screening of the numerous sliced specimens that result from thyroidectomy and prostatectomy. Since the instrument that was used to capture the ex vivo PA images is now being developed for in vivo use, this model may also prove to be a starting point for in vivo PA image analysis for cancer diagnosis.