高光譜成像和深度學習技術輔助黑色素瘤診斷的計算機模型國內(nèi)外研究進展

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，高光譜圖像輔助醫(yī)學診斷的計算機模型研究逐漸增多。該文綜述了高光譜成像和深度學習技術輔助黑色素瘤診斷的計算機模型在國內(nèi)外研究的進展。

關鍵詞：黑色素瘤;高光譜成像技術;深度學習

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：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胞間的黑色素細胞上，常見于皮膚，也見于黏膜和內(nèi)臟器官。黑色素瘤的發(fā)病率的年增長率為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切除外，缺乏特效治療，預后差。因此，惡性黑色素瘤的早期診斷和治療極其重要，對黑色素瘤的診治越早越好，能延長患者存活時間，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，84%來自良性痣[2]。臨床診斷中，對黑色素痣的早期惡變程度進行監(jiān)測及判斷主要采用“ABCDEF”法則，即非對稱（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），該法則雖然簡單，但誤診率高，準確率無法得到保證?；铙w組織檢查是診斷的“金指標”，醫(yī)生往往會結(jié)合肉眼觀察和活檢的病理組織觀察得出結(jié)論。活體組織檢查通過普通顯微鏡觀察染色病理樣本，只可以觀察到圖像的二維空間特征，病理樣本組織的形態(tài)特征難以觀察，且周期長、成本高。隨著染色劑的使用，操作過程的差異也會使制得的病理樣本不同，且尚無輔助工具對染色樣本提供更詳細的定量分析。因此，單靠肉眼診斷和常規(guī)活檢，無法有效提升診斷的準確度和效率。另外，活體組織檢查由于是入侵性檢查，會給病人帶來一定痛苦。

2 高光譜成像技術簡介

隨著計算機技術的發(fā)展，檢測和分類皮膚病變的算法也有所增加。基于傳統(tǒng) RGB 圖像、皮膚病變檢測和分類的計算機輔助診斷系統(tǒng)似乎達到其性能的上限，而高光譜成像作為一種新興技術，可能會改善系統(tǒng)性能。高光譜成像技術具有以下優(yōu)點：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，具有較大的研究價值[1]。國內(nèi)外學者對高光譜成像技術做了大量研究，Li等人[3]提出了一種用于高光譜圖像分類的廣義復合核機的開發(fā)框架，該框架在復雜分析場景中有最先進的分類性能;魏峰等人[4]提出一種基于矩陣分解的算法，對高光譜數(shù)據(jù)進行特征提取。近年來，高光譜圖像能為臨床應用提供輔助診斷和預后信息，吸引了越來越多基礎科學和臨床領域研究人員的研究興趣 [4] 。Akbari等人[5]收集了豬的動脈和靜脈高光譜圖像，然后使用支持向量機分類器對豬動脈靜脈的高光譜圖像進行了分類，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對前列腺癌病理切片的高光譜數(shù)據(jù)進行分類，并使用空間解析方法突出癌癥與正常反射特性的差異，來增強對癌組織的檢測。這些研究結(jié)果表明，高光譜成像技術可以作為一種新興的非侵入性，定量的輔助醫(yī)療檢測技術手段，在醫(yī)學疾病診斷領域中有一定的發(fā)展前景。

3 高光譜成像技術輔助黑色素瘤診斷

早期發(fā)現(xiàn)和正確切除惡性黑色素瘤的原發(fā)病變，對于預防惡性黑色素瘤，減少與黑色素瘤相關的死亡至關重要，基于高光譜成像技術的黑色素瘤早期檢測的自動化篩查系統(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，設計分類算法對黑色素瘤和其他皮膚類型進行自動分類。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，開發(fā)了一個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)合高光譜相機系統(tǒng)和光譜分類算法，對發(fā)育不良痣和黑色素瘤進行分類，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行比較，構(gòu)建了一個動物黑色素瘤診斷模型。兩者的敏感性和特異性都為77%。Zherdeva[9]等人提出一個用于體內(nèi)高光譜的皮膚腫瘤分析系統(tǒng)，對黑色素瘤和其他癌癥類型進行分類，系統(tǒng)的敏感性和特異性分別為63%和72%。高光譜成像技術還可與顯微成像技術相結(jié)合，從微觀層面對圖譜合一的高光譜圖像進行分析。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，使用分類和回歸樹（CART）算法對黑色素瘤和良性痣進行分類，提高了黑色素瘤早期診斷的準確率，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)對組織切片進行高通量彩色圖像分析，為病理學組織切片的分析提供維度信息更豐富。

4 深度學習在輔助黑色素瘤診斷中的應用

4.1 深度學習

近年來，深度學習作為機器學習的一個子集得到了快速發(fā)展。與傳統(tǒng)的機器學習需要手動提取特征并考慮領域?qū)I(yè)知識不同，深度學習可以自動提取特征。深度學習是一種由多個處理層組成的計算模型，通過將輸入信息轉(zhuǎn)換為具有簡單但非線性模塊的多個抽象級別[11]， 來自動學習數(shù)據(jù)的表示。通過這些轉(zhuǎn)換，深度學習模型將自動地學習到一個非常復雜的函數(shù)，從而使深度學習可以自動提取圖像特征，對圖像進行智能分析。

4.2 深度學習輔助黑色素瘤診斷模型

隨著人工智能的發(fā)展，深度學習越來越多地用于醫(yī)學圖像的分析。一些研究已經(jīng)將深度學習方法應用于黑色素瘤識別。Tognetti等人[12]收集了979張非典型黑色素細胞性皮膚病的皮膚鏡圖像，臨床數(shù)據(jù)和相關組學數(shù)據(jù)，建立深度卷積神經(jīng)網(wǎng)絡模型對非典型黑色素細胞性皮膚病進行分類，準確率為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] 在分類組織病理學黑色素瘤圖像時，使用卷積神經(jīng)網(wǎng)絡模型分類達到平均敏感性、特異性、精度分別為76%、60%和68%，相比之下，11個病理學家對非典型黑色素細胞性皮膚病進行分類，達到平均敏感性、特異性、精度分別為51.8%、66.5%和59.2%，他們認為，在組織病理學黑色素瘤圖像的分類上，他們構(gòu)建的卷積神經(jīng)網(wǎng)絡模型優(yōu)于11個組織病理學家，人工智能能協(xié)助醫(yī)生對黑色素瘤進行診斷。RDS等人[14]使用基于U-Net的卷積神經(jīng)網(wǎng)絡，自動對皮膚腫瘤進行分割，并使用支持向量機分類器對黑色素瘤和良性病變圖像進行分類，準確度為85.19%，他們認為，在深度學習環(huán)境中，U-Net的分割算法是分割醫(yī)學圖像的最好方法，有助于提高分類性能。Esteva等人[15]使用了經(jīng)過預訓練的GoogleNet 和Inception V3組成的體系結(jié)構(gòu)，并對模型進行了遷移學習。在判斷黑色素瘤時，皮膚科醫(yī)生的平均表現(xiàn)低于他們構(gòu)建的深度學習模型的ROC曲線的水平，只有一名皮膚科醫(yī)生的表現(xiàn)優(yōu)于該模型的ROC曲線。表明在這項研究中，基于卷積神經(jīng)網(wǎng)絡構(gòu)建的深度學習模型比皮膚科醫(yī)生有更高的準確性。

4.3基于高光譜成像技術和深度學習的黑色素瘤診斷模型

隨著高光譜成像和深度學習技術的發(fā)展，出現(xiàn)了將兩者結(jié)合起來，應用到黑色素瘤的輔助診斷中。R?s?nen等人[16]對26例色素性病變（10例色素性基底細胞癌、12例原位黑色素瘤、4例侵襲性黑色素瘤）進行了高光譜成像和病理學檢查，然后，使用卷積神經(jīng)網(wǎng)絡分類器鑒別基于高光譜圖像的色素沉著基底細胞癌和黑色素瘤。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%），陽性預測值94%（95%可信區(qū)間73%～99%）。說明卷積神經(jīng)網(wǎng)絡分類器可以在高光譜圖像中區(qū)分黑色素瘤和色素基底細胞癌。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)包含有關波長和位置的信息;使用Imagenet預先訓練一個稱為Googlenet的深度學習模型;并使用一個稱為“Mini Network”的網(wǎng)絡層，將具有84個通道的高光譜數(shù)據(jù)轉(zhuǎn)化為3個通道的數(shù)據(jù)，輸入到Googlenet模型中，并使用619例病變（包括278個黑色素瘤病灶和341個非黑色素瘤病灶）訓練并評估所建的深度學習模型，該模型的敏感性，特異性和準確度分別為69.1%、75.7%和72.7%。

5 討論

本文綜述了高光譜成像技術，深度學習在黑色素瘤上的應用和高光譜成像與深度學習技術相結(jié)合用于黑色素瘤的輔助診斷。高光譜技術輔助診斷黑色素瘤也存在一些缺點：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]，未來的研究應為目標人群開發(fā)大型數(shù)據(jù)庫，該數(shù)據(jù)庫應該包含黑素瘤患者的病例數(shù)據(jù)、皮膚圖像、組學數(shù)據(jù)和診斷結(jié)果等，從而訓練更有針對性的算法模型，確保算法模型的可靠性，提高算法對輔助診斷黑色素瘤的準確率和可泛化程度;也有必要擴展當前的分類方法，搭建、改進各種深度學習模型，使用高光譜圖像的所有時空信息，將高光譜成像技術應用于更多生物醫(yī)學和臨床領域。

參考文獻：

[1] 黃怡.基于顯微高光譜成像的皮膚黑色素瘤識別方法研究[D].上海：華東師范大學，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算機輔助診斷算法研究[J].中國醫(yī)學影像學雜志，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].紅外與毫米波學報，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】