多模態融合方法劃分質譜成像數據感興趣區域

原文地址：http://news.sciencenet.cn/htmlnews/2023/4/498367.shtm

4月11日，中國科學院深圳先進技術研究院醫工所傳感中心羅茜團隊在質譜成像數據分析領域獲得重要進展，成功開發了一種多模態融合驗證的空間分割新方法，可以準確可靠地確定質譜成像數據的感興趣區域（regions-of-interest,ROIs）。相關研究成果發表在生物數據科學領域國際知名期刊GigaScience上，深圳先進院郭昂助理研究員為論文第一作者，羅茜研究員為論文通訊作者。

質譜成像（Mass Spectrometry Imaging, MSI）是一種具有空間分辨能力的新型分子組學技術，為研究人員提供了理解生物現象背后生化機制的新手段。它通過掃描收集組織切片上各個位置的完整質譜圖，可免標簽、高通量地同時獲得幾十到幾百個分子的空間分布信息，其能夠探測的分子種類包括蛋白質、肽、脂類和代謝物，具有靈敏度高和化學特異性強的特點。

在MSI數據的統計分析過程中，一張完整的組織切片通常會被“虛擬地”劃分成許多感興趣區域（Regions-of-interest, ROIs），這些區域往往對應著不同的解剖學或病理學標簽。準確劃分ROI是挖掘空間分子組學數據的前提，對于發現疾病等因素引起的分子變化至關重要。

然而，在現有的ROI劃分方法中，傳統手動方法依賴主觀判斷且耗時費力，而基于質譜間相似性聚類算法的空間分割（spatial segmentation）方法，雖然很大程度上實現了自動化，但其結果易受儀器噪聲和偽影影響，并且關鍵算法參數的選取（如直接決定空間分割顆粒度的聚類數/簇數K）仍存在一定的主觀性，導致其結果可靠性較差。

對此，研究團隊提出了一種基于多模態融合思想的“半監督”新方法，即依靠“AI病理師”驗證空間分割得到的ROI結果。研究團隊創新性地融合MSI中獲取的分子組分信息和H&E病理圖中獲取的組織形態信息，實現了從兩個相對獨立互補的生物信息源，交叉驗證ROI的劃分結果，有力保證了其生物學意義上的可靠性。

其中，深度卷積神經網絡被作為視覺特征提取器，從H&E染色圖像中計算切片各位置的組織形態學譜圖（Histomorphological Features，HF），然后根據不同位置間的組織形態譜相似性，通過聚類分析實現無監督切片分區。最后，通過Cohen"s kappa系數評估基于MSI和基于組織學的兩組ROI間的相似性，選取可以最大化相似性的Kmeans聚類算法的關鍵參數——簇數K，將兩種模態判斷類別標簽一致的區域輸出，進而實現不同成像模態生成的ROI進行交叉驗證，令生成的ROI具有高可信度。

基于多模態融合方法的自動組織分區流程圖 科研團隊供圖

團隊開發多模態融合方法劃分質譜成像數據ROI并應用于小鼠腎組織樣本和原位種植腫瘤研究，發現ROI與ground truths完美呼應，且廣泛適用于不同類別的組織樣本。據介紹，該工作涉及的核心代碼與數據將完全開源共享，該方法為以MSI為基礎的空間代謝組學和蛋白質組學研究者，提供多模態數據融合技術方法，進一步發展臨床病理切片的細胞化學異質性研究。

“這篇研究文章中使用的深度卷積神經網絡（DCNN）方法是人工注釋的一個有趣的替代方法，作者在探索勞動密集型人工注釋的自動化替代方法方面值得稱贊。”英國愛丁堡大學遺傳和分子醫學研究所博士的Chris Armit對工作評價道。德國曼海姆質譜和光學光譜學中心（CeMOS）的Stefania Iakab博士則認為：“我高度贊賞作者無私地提供他們的工具，并為所有的數據預處理提供了必要的信息，以及為讀者提供測試的示例數據。”

相關論文鏈接：https://doi.org/10.1093/gigascience/giad021