本報記者 李惠鈺

　　如果腫瘤細胞剛剛生成，就可以被精準地“揪”出來，那將給腫瘤的診斷和治療帶來巨大變革。而要想實現這一點，成像方式就必須具有極高的靈敏度。

　　近日，中科院自動化研究所、中科院分子影像重點實驗室在基于人工智能（AI）技術的新型成像方法研究上獲得了突破性進展——研究人員將小鼠顱內腦膠質瘤的三維定位精度，由傳統方法的百微米級誤差縮小到了十微米級，為疾病動物模型乃至臨床患者的影像學研究提供了全新的思路。相關研究論文已發表于《光》期刊。

　　“圖像不是憑空得到的，而是成像設備獲得的，傳統方法往往不能提供最好的成像質量。在人類認知圖像之前，在成像信號轉化為圖像的過程中，會損失很多關鍵信息，人工智能技術可以突破這一瓶頸。”論文第一作者、中科院自動化研究所副研究員王坤告訴《中國科學報》，通過建立新的AI模型，把原始的物理信號轉化為更加精確、更高分辨、更少偽影、更高信噪比的高質量圖像，無論是“人腦”還是“機器腦”，都可以更好地識別、認知和學習，這就是此項研究帶來的最本質的創新。

　　一項極具挑戰性的工作

　　腫瘤的早期發現并不容易，特別是某些惡性腫瘤，潛伏期甚至長達20年，當身體發出警報時，往往已經走到了中晚期。如何實現早期微小腫瘤的精準檢測，及時觀測到腫瘤細胞剛出現時產生的某些特異性蛋白、酶甚至RNA，一直是科學家探索和研究的方向。

　　“不過，在現實的物理世界中，能夠提供如此高靈敏度的成像媒介并不多。”王坤坦言，目前公認最好的是高能伽馬射線和無輻射的光子，但是基于伽馬探測的放射性核素成像成本高，難以普及；光學成像成本低廉，但大都是二維圖像，缺乏三維信息。

　　“我們用人工智能解決的就是光學成像難以三維定量的問題。”王坤說，“也就是既可以高靈敏度地看到有沒有腫瘤，是哪種分子類型的腫瘤，還可以高精確度地知道腫瘤在哪里，有多大規模。”

　　王坤提到的光學成像是指生物自發光斷層成像技術，該技術是生物醫學成像的重要手段，廣泛應用于疾病動物模型的影像學研究。然而，由于光子在生物體內具有非均勻化的高散射和高吸收的物理特性，通過探測動物體表的發光光斑來逆向重建出生物體內的光源位置（即腫瘤位置），是一項極具挑戰性的工作。

　　清華大學醫學院生物醫學工程系研究員羅建文告訴《中國科學報》，此前，光學斷層重建問題大多是基于模型的方法，包括正問題和逆問題的求解。正問題的求解一般是利用輻射傳輸方程或者擴散方程等模型來模擬光子在組織體中的傳播過程，進而得到系統矩陣；逆問題的求解大多采用一些優化方法，來獲得體內光源的具體信息，如位置、形態、強度等。

　　“然而，這種基于模型的方法，勢必會受到模型近似的影響，導致重建精度降低。”羅建文強調。據了解，正問題和逆問題求解的兩種誤差疊加在一起，最終導致光學斷層成像對于動物體內腫瘤的三維定位具有數百微米到1毫米的誤差。

　　機器學習帶來突破

　　為減少誤差，王坤所在團隊提出基于機器學習的AI重建：完全舍棄構建前向模型去描述光子在生物體內的傳播，通過構建大量的仿真數據集，在仿真數據上確定動物體表的光斑和體內的光源，再通過該數據集訓練計算機智能化學習體表光斑和體內光源的非線性關系，從而構建出適用于生物自發光斷層成像的AI模型，最終三維重建活體動物荷瘤模型內的腫瘤三維分布。

　　“此項研究首次將機器學習中的多層感知機方法應用于光學斷層重建，并且提出了自己的數據集構造方法，實現了直接由數據到結果的跨模型創新框架，使得重建定位誤差縮小到傳統方法的十分之一，同時這也提示了可以用人工智能方法去解決光學斷層重建問題。”羅建文評價道。

　　不過，王坤強調，生物自發光斷層成像涉及到腫瘤細胞的基因編輯和改造，所以只能用在動物身上，不能用于人體，但是他們發展出的基于AI的光學三維重建方法具有推廣性，理論上可以用在其它光學分子影像的成像技術上，例如激發熒光成像、近紅外成像等等。因此，該方法本身具有很好的臨床轉化應用能力。

　　數據收集與分析面臨挑戰

　　機器學習的基礎是數據，而對于生物醫學成像來說，構建大數據集是非常困難的事情。