Wie kann die hyperspektrale Bildgebung dazu führen, dass sich pathologische Schnitte von der Verfärbung verabschieden? Diese Forschung liefert einen neuen Zug

Bei der traditionellen pathologischen Diagnose muss eine Brustkrebs-Gewebeprobe mehr als zehn Prozesse wie Fixierung, Einbettung, Schnitt und Färbung durchlaufen. Von der Probenlieferung bis zur Berichterstellung vergehen oft mehrere Stunden oder sogar länger. Im intraoperativen Gefrierschnittstadium müssen Patienten oft in einem Wartezustand auf die Narkose warten, und die Verkürzung dieser Zeit ist für die chirurgische Sicherheit von entscheidender Bedeutung.

Eine kürzlich in „Scientific Reports“ veröffentlichte Studie versucht, einen „etikettenfreien, fleckenfreien“ technischen Weg in Kombination mit Deep-Learning-Algorithmen zu nutzen, um eine neue Lösung für dieses klinische Problem bereitzustellen.

Wenn pathologische Bilder ihre Farbe „verlieren“.

Die uns bekannten pathologischen Bilder werden nach der H&E-Färbung normalerweise in blauvioletten Tönen dargestellt, mit klaren Grenzen zwischen Zellkern und Zytoplasma. Mit der MHSI-Technologie (Microscopic Hyperspectral Imaging) können 128 Bänder spektraler Informationen vom sichtbaren Licht bis zum nahen Infrarot (397–1032 nm) durch Scannen von Gewebeschnitten ohne jegliche Färbung erhalten werden.

Die direkte Herausforderung, die dieser „fleckenfreie“ Zustand mit sich bringt, besteht darin, dass den Bildern der morphologische Kontrast fehlt, was eine direkte Interpretation für das menschliche Auge erschwert. Der Vorteil hyperspektraler Daten liegt jedoch darin, dass für jeden Pixelpunkt kontinuierliche Spektralkurven aufgezeichnet werden und verschiedene biochemische Komponenten (wie Proteine, Lipide, Nukleinsäuren) bei bestimmten Wellenlängen unterschiedliche Reflexionseigenschaften aufweisen. Wie man aus solch hochdimensionalen und schwach morphologischen Daten Informationen mit diagnostischem Wert extrahieren kann, ist zu einem neuen Thema in der Computerpathologie geworden.

„Abschnittsdiagnose“ in „Multi-Instanz-Lernen“ umwandeln

Das Forschungsteam erstellte einen hyperspektralen Datensatz mit 468 Gewebeschnitten von 60 Brustkrebspatientinnen. Im Gegensatz zu herkömmlichen Methoden, die Einzelpunktvorhersagen für lokale Sichtfelder durchführen, modellierten die Forscher die pathologische Diagnose als Multi-Instance-Learning-Problem (MIL): Sie behandelten einen gesamten Gewebeabschnitt als „Beutel“ und die aus 20 verschiedenen Regionen des Abschnitts gesammelten Spektralwürfel als „Instanzen“ innerhalb des Beutels. Das Modell muss die Informationen aller Instanzen synthetisieren, um das Diagnoseergebnis für den gesamten Abschnitt auszugeben.

Dieser Ansatz kommt der tatsächlichen Bildleselogik von Pathologen näher: Zuerst wird die gesamte Welt unter einem Mikroskop mit geringer Vergrößerung durchsucht, und dann wird der Schwerpunkt auf verdächtige Bereiche gelegt, um eine umfassende Beurteilung zu ermöglichen.

Mehrstufiger „Aufmerksamkeits“-Mechanismus

Mit Blick auf die Eigenschaften hyperspektraler Daten schlug das Team ein Multi-Scale Hierarchical Attention Network (MS-HAN) vor, dessen Kerndesign drei Schlüsselebenen umfasst:

1. Die Multiskalen-Feature-Extraktion zieht Lehren aus der Inception-Struktur und verwendet parallel unterschiedliche Größen von Faltungskernen mit derselben räumlichen Auflösung, um Features zu extrahieren, um Multigranularitätsinformationen von subtilen spektralen Unterschieden bis hin zu lokalen Texturmustern zu erfassen.

2. Der Mechanismus der doppelten Aufmerksamkeit modelliert zunächst explizit die Abhängigkeiten zwischen Bändern durch spektrale Kanalaufmerksamkeit und verleiht Bändern mit umfangreicheren Informationen höhere Gewichtungen. Anschließend wird mithilfe räumlicher Aufmerksamkeit eine zweidimensionale Wärmekarte erstellt, um Regionen mit diagnostischem Wert in Bezug auf die Zellmorphologie zu lokalisieren, ohne auf eine Beschriftung auf Pixelebene angewiesen zu sein.

3.Hierarchische Aggregation und Prototypenlernen. Um mit der hohen klasseninternen Variabilität biologischer Spektren umzugehen, führt das Modell eine Reihe lernbarer „Prototypvektoren“ ein, weist diesen Prototypen Instanzmerkmale weich zu und verhindert einen Moduskollaps, indem es die Entropie der Prototypnutzungsverteilung einschränkt. Schließlich wird ein Selbstaufmerksamkeitsmechanismus verwendet, um die Abhängigkeiten zwischen verschiedenen Regionen innerhalb des Abschnitts zu modellieren und durch Aufmerksamkeitsbündelung die Darstellung des gesamten Abschnitts zu erhalten.

Bei einem schwach überwachten Training, bei dem nur Etiketten auf Abschnittsebene verwendet wurden, erreichte das Modell eine Genauigkeit von 86,7 % und eine AUC von 0,92 bei einem unabhängigen Testsatz (94 Abschnitte), was eine statistisch signifikante Verbesserung im Vergleich zu gängigen MIL-Basismodellen wie TransMIL und CLAM darstellt.

Wegfall der Färbephase und Reduzierung des Zeitaufwands

Ziel dieser Forschung ist es nicht, Pathologen zu ersetzen, sondern einen Arbeitsablauf aus „optischem Schneiden“ und „KI-Primärscreening“ zu erforschen. Das Weglassen des Färbeschritts bedeutet nicht nur eine Reduzierung der Kosten für Reagenzien und Verbrauchsmaterialien, sondern, was noch wichtiger ist, es verkürzt das Zeitfenster von der Probenahme bis zur digitalen Diagnose erheblich. Bei zeitkritischen Szenarien wie dem intraoperativen Einfrieren soll dieser „Cut-Scan-Analyze“-Modus die Wartezeit für Patienten unter Narkose verkürzen.

Natürlich befindet sich diese Forschung noch im Proof-of-Concept-Stadium. Der Umfang des 60-Fälle-Single-Center-Datensatzes ist relativ begrenzt, und die Leistung des Modells angesichts von Präparationsartefakten, geringer Zelldichte oder seltener molekularer Subtypen bedarf noch einer externen Validierung mit Multicenter- und Großprobendaten. Darüber hinaus sind die Hardwarekosten für hyperspektrale Bildgebungsgeräte hoch, und der Übergang vom Labor in routinemäßige Pathologieabteilungen erfordert immer noch Überlegungen auf technischer und gesundheitsökonomischer Ebene.