Μέθοδοι βαθιάς μάθησης (deep learning) για την ανάλυση φασματοσκοπικών μεθόδων

Abstract

Raman spectroscopy (RS) has emerged as a powerful tool in the medical field for biochemical analysis and tissue discrimination. The integration of artificial intelligence (AI) algorithms with RS has significantly enhanced its capabilities, enabling precise and real-time spectral data analysis. In this PhD dissertation, artificial intelligence algorithms were applied to distinguish spectral fingerprints of human health/cancerous tissues of the colon and rectum. The ultimate goal is the personalized rapid diagnosis in open surgery of cancer structures /cells in real-time. Initially, spectra specimens from 22 patients undergoing open colorectal surgery, both from healthy and cancerous tissues, were collected to create the spectral library and then to discriminate the spectral fingerprints using AI. Our research involved proposing pre-processing methods and algorithms to enhance classification outcomes, which included techniques like baseline correction, L2 normalization, filtering, and PCA. These enhancements resulted in an impressive overall accuracy improvement of 16.1%. Also, a thorough ablation study to compare machine learning and deep learning algorithms focuses on advancing the clinical applicability of RS. Machine learning models proved effective in classifying both normal and abnormal tissues. Deep learning models, particularly the 1D-CNN model, performed better in classifying abnormal cases. In addition to these advancements, we addressed the challenge of large data requirements for deep learning methods by developing transfer learning models. The pre-trained models were successfully trained on a Raman open database with pathogen bacteria spectra, achieving an 88% accuracy in discriminating healthy and cancerous tissues. Also leverage the capability of a 1D-CNN with Transfer Learning, to classify in-vivo Raman spectra from mice achieving a remarkable 91,2% accuracy. The models overcome the limitations of the large data collection and demonstrate their effectiveness in ex-vivo and in-vivo settings. Overall, all results brought RS one step closer to clinical application as an auxiliary tool for real-time biopsy and surgical guidance.

Η φασματοσκοπία Raman τείνει να αναδειχθεί ως ένα ισχυρό εργαλείο στον ιατρικό τομέα για τη βιοχημική ανάλυση ουσιών και τη διάκριση ιστών. Η ενσωμάτωση αλγορίθμων Τεχνητής Νοημοσύνης στη Φασματοσκοπία Raman έχει βελτιώσει σημαντικά τις δυνατότητές της, επιτρέποντας ακριβείς και σε πραγματικό χρόνο αναλύσεις των φασματικών δεδομένων. Στο πλαίσιο της παρούσας διδακτορικής διατριβής μελετήθηκε η εφαρμογή αλγορίθμων τεχνητής νοημοσύνης για τη διάκριση φασματικών αποτυπωμάτων ανθρώπινων υγειών/καρκινικών ιστών του παχέους εντέρου και του ορθού. Απώτερος σκοπός είναι η εξατομικευμένη ταχεία διάγνωση σε ανοικτό χειρουργείο καρκινικών δομών/κυττάρων σε πραγματικό χρόνο. Αρχικά, συλλέχθηκαν φασματικά δείγματα από 22 ασθενείς που υποβλήθηκαν σε ανοιχτή χειρουργική επέμβαση του παχέος εντέρου και του ορθού. Τα δείγματα προήλθαν τόσο από υγιείς όσο και από καρκινικούς ιστούς, για τη δημιουργία της φασματικής βιβλιοθήκης και στη συνέχεια τη διάκριση των φασματικών αποτυπωμάτων με τη χρήση της Τεχνητής Νοημοσύνης. Η έρευνα περιλάμβανε την πρόταση μεθόδων και αλγορίθμων προ-επεξεργασίας για τη βελτίωση των αποτελεσμάτων ταξινόμησης, όπως η αφαίρεση υπόβαθρου, η κανονικοποίηση L2, το φιλτράρισμα και η PCA. Αυτές οι μέθοδοι είχαν ως αποτέλεσμα μια συνολική βελτίωση της ακρίβειας κατά 16,1%. Πραγματοποιήθηκε, επίσης μια διεξοδική μελέτη για να συγκριθούν αλγόριθμοι Μηχανικής Μάθησης και Βαθιάς Μάθησης, εστιάζοντας στην προώθηση της κλινικής εφαρμογής της Φασματοσκοπίας Raman. Τα μοντέλα Μηχανικής Μάθησης, αποδείχθηκαν αποτελεσματικά στην ταξινόμηση τόσο των φυσιολογικών όσο και των μη φυσιολογικών ιστών. Τα μοντέλα Βαθιάς Μάθησης, ιδιαίτερα το 1D-CNN, επέδειξαν ανώτερη απόδοση στην ταξινόμηση των μη φυσιολογικών περιπτώσεων. Στην συνέχεια, αντιμετωπίστηκε η πρόκληση των απαιτήσεων στην συλλογή μεγάλου όγκου δεδομένων για τις μεθόδους Βαθιάς Μάθησης, αναπτύσσοντας μοντέλα Μεταφοράς Γνώσης. Προ-εκπαιδευμένα μοντέλα εκπαιδεύτηκαν επιτυχώς σε μια ανοιχτή βάση δεδομένων Raman με φάσματα παθογόνων βακτηρίων, επιτυγχάνοντας ακρίβεια 88% στη διάκριση υγιών και καρκινικών ιστών. Τέλος, αξιοποιήθηκε η ικανότητα του 1D-CNN με Μεταφορά Γνώσης, για την ταξινόμηση in-vivo φασμάτων Raman από μύες επιτυγχάνοντας αξιοσημείωτη ακρίβεια 91,2%. Τα μοντέλα ξεπερνώντας τους περιορισμούς του μεγάλου πλήθους συλλογής δεδομένων δείχνουν τη αποτελεσματικότητα τους σε περιβάλλον ex-vivo και in-vivo. Συνολικά, όλα τα αποτελέσματα έφεραν την φασματοσκοπία Raman ένα βήμα πιο κοντά στην κλινική εφαρμογή ως βοηθητικό εργαλείο για βιοψία και χειρουργική καθοδήγηση σε πραγματικό χρόνο.