上海代写论文网专业提供代写毕业论文、代写本科论文服务

相关文章推荐

联系方式
您现在的位置:首页 > 医学论文 > 病理学论文 >
常见病理学诊断中数字图像分析的运用
发布时间:2020-06-01

  摘    要: 随着全载玻片成像扫描技术的发展,数字图像分析(digital image analysis,DIA)在病理诊断领域的应用范围不断扩大。本文主要介绍数字图像分析在组织病理诊断、细胞病理诊断、免疫组织化学染色结果判读中的应用,并讨论其在病理诊断中存在的问题与挑战。

  关键词: 数字图像分析; 组织病理诊断; 细胞病理诊断; 免疫组织化学; 肿瘤病理;

  Abstract: With the development of whole slide imaging and scanning technology, the application of digital image analysis(DIA) in the field of pathological diagnosis is expanding. This article mainly introduces the application of digital image analysis in histopathological diagnosis, cytopathological diagnosis and immunohistochemical staining results interpretation, and discusses the problems and challenges existing in these fields.

  Keyword: digital image analysis; histopathological diagnosis; cytopathological diagnosis; immunohistochemistry; tumor pathology;

  人工智能是应用计算机的软硬件来模拟人类智慧行为的高新技术,近年来迅猛发展,被应用于工业、农业、国防和医学等领域[1,2]。数字图像分析(digital image analysis,DIA)是人工智能技术在图像处理领域的应用,是采用图像分析软件对拍摄和扫描的数字图像进行预处理、分割、特征提取和分类以获取数据信息的技术,在医学领域显示出强大的优势和生命力[3]。例如,基于数字X线图像的DIA软件可完成病灶分割、测量、特征分析、良恶性判断及出具结构化报告[4,5];基于CT扫描图像的DIA软件可早期快速定位疑似病灶,提高早诊率,减少漏诊率[6];基于MRI影像的DIA软件能完成疾病诊断、预后分析及疗效检测[7,8,9];基于全载玻片成像扫描技术的DIA软件可以提高病理诊断的准确性和效率[10]。本文就DIA在组织病理诊断、细胞病理诊断、免疫组织化学染色结果判读中的应用做一综述。
 

常见病理学诊断中数字图像分析的运用
 

  1、 DIA在组织病理学诊断中的应用

  组织病理学诊断是指病理医生在显微镜下观察和分析病理切片的组织病理学特征,判断病变类型和病变阶段,作出病理诊断,进而指导患者的治疗的技术。传统病理诊断方法易受病理医生个体经验水平,主观分析能力的影响,尤其在量化指标方面存在局限性。DIA通过计算机软件检测和量化细胞形态、细胞核与细胞质面积、间质成分、血管壁厚度、血管密度及腔体面积等,计算出不同成分的比例及分布,在腺体分割、组织学分型和预测患者的生存和预后等方面应用效果良好,可以弥补传统病理组织学诊断的不足。

  异常腺体结构(筛状结构腺体、锐角形腺体)及腺性结构消失对于诊断结直肠癌具有重要参考价值,故定量检测腺体的形态和结构至关重要[11]。DIA可通过卷积神经网络对结直肠癌中的肿瘤性腺体结构进行分割,该网络通过识别、提取、量化腺体特征,先进行有无腺体的分类,再利用分割算法分割出单个腺体,从而生成标准化的腺体图,克服了显微镜下切片厚度、均匀度、染色程度等组织图像异质性的影响[12,13]。

  近年来,有学者指出DIA能够自动对肺癌、乳腺癌、前列腺癌和结直肠癌等组织图像进行组织学分型[14,15,16,17]。如Teramoto等[18]使用60 000例肺癌的样本图像训练基于深度卷积神经网络的DIA软件8小时,该软件对肺癌组织图像进行旋转、反转和过滤处理,并提取核浆比和细胞核大小等特征,对82例腺癌图像、125例鳞状细胞癌图像和91例小细胞癌图像进行组织学分型;在分型结果中腺癌的正确率为89.0%,鳞癌的正确率60.0%,小细胞癌的正确率为70.3%,总正确率为71.1%。相比传统肺癌分类方法,DIA具有操作简便、自动化和标准化等特点。并且DIA在乳腺癌、前列腺癌等组织学分型中的准确率更是达到了90%[15,16]。

  2、 DIA在细胞病理诊断中的应用

  DIA不仅能应用于组织病理诊断,在细胞病理诊断中也显示出明显优势。与组织学注重组织整体结构特征不同,细胞学注重单个细胞核膜、核形、核仁、染色质及胞质等精细分析。目前,这些结果主要由病理医生根据经验在显微镜下观察所得,费时费力。随着液基薄层细胞制片技术的普及,DIA在宫颈细胞学诊断、白细胞分类、异常红细胞分类等方面取得较好的效果。

  新柏式玻片扫描分析影像系统(Thin Prep Imaging Systen,TIS)是由美国Hologic公司推出的基于DIA的早期宫颈癌筛查系统,2003年获得美国FDA认证,2009年获得中国CSFDA认证。T1S能有效提高阅片速度,增加异常细胞检出率,降低假阴性率,提高敏感性,而不影响特异性。该系统对比阴性细胞形态学特征和细胞核颜色特征等,通过光学细胞选取算法综合比较分析22个最可疑目标视野中的细胞特征,以识别出肿瘤细胞。研究表明,在4 600例宫颈细胞学筛查中,每小时TIS阅片数约为单纯人工阅片的2倍;TIS的异常细胞检出率比单纯人工阅片的检出率增加了33.40%,其中TIS未明确诊断意义的非典型鳞状上皮细胞(ASC-US)、非典型鳞状细胞不排除高度鳞状上皮内病变(ASC-H)、低度鳞状上皮内病变(LSIL)、高度鳞状上皮内病变(HSIL)阳性检出率比人工阅片分别增加了9.40%、58.33%、30.77%、56.00%(P<0.05)[19]。与单纯人工阅片相比,TIS检测异常细胞的假阴性率由8.5%下降到0.7%(P<0.01),加强了细胞学诊断质量控制。TIS还能通过完整的双重筛查程序有效的识别腺细胞病变。

  基于人工神经网络的CellaVision DM96自动化DIA系统通过定位血细胞、分割细胞图像、提取细胞特征(如大小、外形、透明度、核浆比等)进行外周血涂片分析,在白细胞分类和异常红细胞分类等方面有望实现诊断的智能化。在白细胞分类中,DM96与传统显微镜下分类结果的相关性良好(0.72<r2<0.99),相关性的高低取决于细胞种类,例如在中性粒细胞、淋巴细胞和成纤维细胞中的相关性较高(r2>0.90),在嗜酸性粒细胞、单核细胞、嗜碱性粒细胞中相关性较低。在异常红细胞分类中,DM96对椭圆形、镰状、球形、靶形、泪滴状等异常形态分类结果的准确性在80%以上,对嗜多色红细胞分类结果的准确性最低[20]。且DM96在网织红细胞计数中性能良好[21]。

  3、 DIA在免疫组织化学染色结果判读中的应用

  免疫组织化学(Immunohistochemistry,IHC)染色用于检测组织中是否存在某种特定的蛋白质,在肿瘤诊断、分期、治疗靶点中具有重要价值[22]。在我国,病理医生通常在显微镜下视觉评估或人工计数来进行IHC结果判读,存在工作复杂、重复性差、准确性不高的问题。目前,DIA已经成功应用于IHC评估,如乳腺癌中Ki67、人表皮生长因子受体-2(HER-2)、雌激素受体(ER)的IHC评估,可给出各个染色强度的细胞数目及百分比等[23,24,25,26]。肺癌及黑色素瘤中pd-l1的IHC评估,可提供标准化的IHC评估指标[27,28]。CD13、CD133等肿瘤干细胞标志物的IHC评估是鉴别肿瘤干细胞的一种新方法[29]。且DIA的IHC评估结果优于视觉评估和人工计数,可能代替传统IHC评估而增强评估结果的可重复性和准确性[24,30]。

  Ki67是用于评价肿瘤增殖活性的主要指标之一,是细胞核染色。由于阳性细胞核存在双染色和复染共定位的问题,病理医生很难在显微镜下准确判读Ki67的着色情况,尤其是着色较浅的细胞。而APERIO计算机核分析软件(Nuclear V9)中的免疫组织化学核图像分析算法使用彩色解卷积的技术区分出Ki67的染色深浅并分类:蓝色=0(阴性),黄色=1+(弱阳性),橙色=2+(中阳性),红色=3+(强阳性),阳性细胞自动计数。有学者在127例乳腺癌穿剌标本中使用Nuclear V9进行Ki67IHC评估,软件判读Ki67阳性率为(35.1±23.7)%,低于人工阅片Ki67阳性率(36.5±23.6)%,差异有统计学意义(P<0.05),2种方式在Ki67增殖指数分组上差异无统计学意义(P>0.05),一致性较好(Kappa值=0.801),故Nuclear V9判读Ki67是可行的[23]。

  免疫检测点抑制剂是近年来肿瘤免疫治疗的热点。免疫检测点抑制剂是以T淋巴细胞表面及肿瘤细胞表面的特定蛋白分子为靶点的抗体,如抗CTLA-4和抗PD-1/PD-L1抗体已成功应用于临床[31]。肿瘤细胞的PD-L1表达水平越高,抗PD-1/PD-L1抗体疗效越好[32]。因此PD-L1表达水平的标准化评估必不可少。Viktor H等对比了传统显微镜下计数和DIA判读两种方法对69例皮肤黑色素瘤的PD-L1表达评估结果,显微镜下26例(38.2%)无或仅有局灶性PD-L1表达,21例(30.9%)PD-L1低表达,21例(30.9%)PD-L1高表达。研究发现DIA评估与病理医生在显微镜下对PD-L1的评估有高度的一致性(R=0.97,P<0.0001),并且两次独立的DIA评估几乎达到了完美的重复(R=1,P<0.001)[28]。

  4 、DIA在病理诊断应用中存在的问题

  在病理图像分析临床实践中,仍有一些问题需要解决:1)DIA依然是一个新兴事物,尚未普及,需要逐渐接受它,培训病理医生正确熟练的使用软件[33]。2)分析前变量的标准化对定量图像分析必不可少,然而病理标本收集、处理、固定、切片、染色/标记和数字图像采集等方面目前仍未标准化[34]。3)严谨的实验设计、持续的质量控制能确保结果的有效性,降低假阴性和假阳性。4)大多数数字扫描仪仅能生成组织切片的2D平面图像,故分析仍停留在三维组织的二维平面上,未来可以使用连续组织切片,以实现三维重建[35]。5)对于细胞学数字化涂片厚薄不均、细胞重叠、分布散乱等问题,液基薄层制片技术能帮助解决,z轴堆叠扫描可以进一步弥补这些不足,更好的服务于细胞学诊断[36]。6)细胞学诊断中降低漏检率是DIA探讨的问题之一,适当的增加细胞数量可以有效地降低漏检率,但并不能完全避免。7)在DIA软件中,病理医生通常对不同放大倍率的图像进行研究,然而最具代表性的放大倍率仍存在争议,有时通过同时输入高倍率和低倍率图像来提高准确性。8)目前,冰冻切片DIA的资料较少,原因是适于分析的数字切片少且复杂,因此,这可能将是DIA的另一个应用领域[37]。9)由于肿瘤细胞的异型性,DIA软件在参数设置上不能考虑到所有细胞的形态,易将肿瘤细胞判读为正常细胞,将间质细胞判读为阳性细胞,因此需要病理学家及相关专业人员对计算机软件及算法进行改进,以提高其准确性。

  5、展望

  可以预期,DIA将会越来越深地进入到病理诊断工作中。病理医生要勇于尝试,打破固化思维,善于利用DIA软件来减轻工作强度与难度。在推广软件应用的同时,还应对软件进行优化和更新,使之能更准确地辨别肿瘤细胞与非肿瘤细胞,避免将淋巴细胞等间质细胞识别为肿瘤细胞,帮助病理医生做出快速、准确、重复性高的病理诊断。另外,DIA软件应在IHC结果的评估上发挥更大作用,更好地判定阳性细胞百分比和区分阳性染色强度,为个体化治疗方案的选择提供重要依据。需要强调,DIA客观评估方法可以弱化医生诊断的主观性和不稳定性,但并不能代替他们。在DIA应用于病理诊断中,病理医生扮演着最重要的角色,是问题的提出者、诊断的参与者、诊断结果的最终判定者。DIA软件的初筛结果应该与病理医生的阅片形成互补,辅助病理诊断,以此提高人工诊断效率和准确性。

  参考文献

  [1] Torra V,Karlsson A,Steinhauer HJ,et al.Artificial Intelligence[M]//Said A,Torra V.Data Science in Practice.Springer,2019:9-26.
  [2]袁紫旭,徐挺洋,姚建华,等.人工智能在恶性肿瘤诊治中的应用[J].中华实验外科杂志,2019,36(2):203-207.
  [3] Niazi MKK,Parwani AV,Gurcan MN.Digital pathology and artificial intelligence[J].Lancet Oncol,2019,20(5):e253-e261.
  [4] Lévy D,Jain A.Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks[J/OL].https://arxiv.org/abs/1612.00542.
  [5] Samala RK,Chan HP,Hadjiiski LM,et al.Multi-task transfer learning deep convolutional neural network:application to computeraided diagnosis of breast cancer on mammograms[J].Phys Med Biol,2017,62(23):8894-8908.
  [6] Liang M,Tang W,Xu DM,et al.Low-Dose CT Screening for Lung Cancer:Computer-aided Detection of Missed Lung Cancers[J].Radiology,2016,281(1):279-288.
  [7]李惠明.基于影像组学的人工智能在脑胶质瘤MRI诊断中的应用[J].国际医学放射学杂志,2019,42(5):531-534.
  [8]张美辰,邱恩超,邢新博,等.药物过量性头痛患者脑局部一致性的静息态功能磁共振图像分析[J].解放军医学院学报,2018,39(6):465-469.
  [9]程佳荣,王莉莉,黄刚,等.直肠癌全容积表观扩散系数直方图参数与其临床病理特征的相关性分析[J].解放军医学杂志,2019,44(9):763-768.
  [10] Aeffner F,Zarella MD,Buchbinder N,et al.Introduction to Digital Image Analysis in Whole-slide Imaging:A White Paper from the Digital Pathology Association[J].J Pathol Inform,2019,10:9.
  [11]王霞.直肠癌黏膜下浸润癌与直肠高级别上皮内瘤变的病理特征比较[J].结直肠肛门外科,2017,23(5):594-597.
  [12]张楠,鲁海珍,应建明,等.人工智能在诊断病理中的应用进展[J].诊断病理学杂志,2019,26(3):183-185.
  [13] Graham S,Chen H,Gamper J,et al.MILD-Net:Minimal information loss dilated network for gland instance segmentation in colon histology images[J].Med Image Anal,2019,52:199-211.
  [14] Wang X,Chen H,Gan C,et al.Weakly Supervised Deep Learning for Whole Slide Lung Cancer Image Analysis[J/OL].https://doi.org/10.1109/tcyb.2019.2935141.
  [15] Turkki R,Linder N,Kovanen PE,et al.Antibody-supervised deep learning for quantification of tumor-infiltrating immune cells in hematoxylin and eosin stained breast cancer samples[J].J Pathol Inform,2016,7:38.
  [16] Xu Y,Jia Z,Wang LB,et al.Large scale tissue histopathology image classification,segmentation,and visualization via deep convolutional activation features[J].BMC Bioinformatics,2017,18(1):281.
  [17] Korbar B,Olofson AM,Miraflor AP,et al.Deep Learning for Classification of Colorectal Polyps on Whole-slide Images[J].JPathol Inform,2017,8:30.
  [18] Teramoto A,Tsukamoto T,Kiriyama Y,et al.Automated Classification of Lung Cancer Types from Cytological Images Using Deep Convolutional Neural Networks[J/OL].https://doi.org/10.1155/2017/4067832.
  [19]吴妍,戎荣,吴云松,等.TIS电脑辅助阅片新技术在妇科宫颈疾病普查中的应用与临床意义[J].中国妇幼保健,2015,30(10):1601-1603.
  [20] Nakashima MO,Doyle TJ,Phelan-Lewin K,et al.Assessment of semi-quantitative grading of red blood cell abnormalities utilizing images from the Cella Vision DM96 compared to manual light microscopy[J].Int J Lab Hematol,2017,39(5):e110-e112.
  [21]张磊,张彦平,张雯,等.Cella Vision DM96血细胞数字图像分析仪计数网织红细胞的性能评价[J].临床检验杂志,2017,35(2):155-156.
  [22] Magaki S,Hojat SA,Wei B,et al.An Introduction to the Performance of Immunohistochemistry[J].Methods Mol Biol,2019,1897:289-298.
  [23]郭蕾,石峰,郑闪,等.乳腺癌Ki-67计算机全自动分析可行性探讨[J].中华肿瘤防治杂志,2015,22(9):678-681.
  [24] Koopman T,Buikema HJ,Hollema H,et al.Digital image analysis of Ki67 proliferation index in breast cancer using virtual dual staining on whole tissue sections:clinical validation and inter-platform agreement[J].Breast Cancer Res Treat,2018,169(1):33-42.
  [25] Mungle T,Tewary S,Das DK,et al.MRF-ANN:a machine learning approach for automated ER scoring of breast cancer immunohistochemical images[J].J Microsc,2017,267(2):117-129.
  [26] Vandenberghe ME,Scott ML,Scorer PW,et al.Relevance of deep learning to facilitate the diagnosis of HER2 status in breast cancer[J].Sci Rep,2017,7:45938.
  [27] Conde E,Caminoa A,Dominguez C,et al.Aligning digital CD8(+)scoring and targeted next-generation sequencing with programmed death ligand 1 expression:a pragmatic approach in early-stage squamous cell lung carcinoma[J].Histopathology,2018,72(2):270-284.
  [28] Koelzer VH,Gisler A,Hanhart JC,et al.Digital image analysis improves precision of PD-L1 scoring in cutaneous melanoma[J].Histopathology,2018,73(3):397-406.
  [29] Aichinger W,Krappe S,Cetin AE,et al.Automated cancer stem cell recognition in H and E stained tissue using convolutional neural networks and color deconvolution[C]//Gurcan MN,Tomaszewski JE.Medical Imaging 2017:Digital Pathology.SPIE Proceedings,2017.

  [30] Healey MA,Hirko KA,Beck AH,et al.Assessment of Ki67expression for breast cancer subtype classification and prognosis in the Nurses'Health Study[J].Breast Cancer Res Treat,2017,166(2):613-622.
  [31] Koelzer VH,Sirinukunwattana K,Rittscher J,et al.Precision immunoprofiling by image analysis and artificial intelligence[J].Virchows Arch,2019,474(4):511-522.
  [32]高云姝,周洁,潘军,等.人工智能技术在肺部肿瘤中的研究现状和应用前景[J].第二军医大学学报,2018,39(8):834-839.
  [33]唐仲平,崔权哲,杨李波,等.全切片图像扫描技术在临床病理诊断工作中的应用[J].河北医科大学学报,2018,39(10):1205-1209.
  [34] Pell R,Oien K,Robinson M,et al.The use of digital pathology and image analysis in clinical trials[J].J Pathol Clin Res,2019,5(2):81-90.
  [35] Madabhushi A,Lee G.Image analysis and machine learning in digital pathology:Challenges and opportunities[J].Med Image Anal,2016,33:170-175.
  [36]胡佐鸿,赵春,包骥,等.全片数字化图像在诊断细胞病理学中的应用[J].中华病理学杂志,2017,46(8):581-585.
  [37] Komura D,Ishikawa S.Machine Learning Methods for Histopathological Image Analysis[J].Comput Struct Biotechnol J,2018,16:34-42.

对应分类:
版权所有:上海论文网专业权威的论文代写、论文发表的网站,秉承信誉至上、用户为首的服务理念,服务好每一位客户
本站部分论文收集于网络,如有不慎侵犯您的权益,请您及时致电或写信告知,我们将第一时间处理,邮箱:shlunwen@163.com