生醫研究 · us
看見切片流失的脂質:哈佛結合拉曼影像與AI,追蹤腎臟損傷修復
小鼠研究將蛋白質、脂質與水分轉為可量化的組織影像,捕捉腎臟受傷後的細微變化。這為研究病程打開新視窗,但尚不能視為人體診斷工具。
腎臟受傷後,細胞裡的脂質如何消失、累積,又隨修復重新分布?傳統組織切片能呈現許多病變,製備過程卻可能移除脂質,讓部分線索在顯微鏡下缺席。哈佛醫學院研究團隊結合拉曼顯微成像與人工智慧,在小鼠腎臟中量出這些容易被遺漏的變化,為理解損傷與修復補上一層資訊。
這套名為NoR-AI的流程,以「正規化拉曼影像」(NoRI)搭配卷積神經網路。前者利用受激拉曼散射取得分子訊號,再透過運算校正光散射造成的干擾,量化組織中的蛋白質、脂質與水分;後者則從影像中辨識結構與細微差異。研究於11月5日在線發表於《美國國家科學院院刊》(PNAS)。
在小鼠腎臟影像中,模型辨識腎小管類型、解剖區域與生物性別的F1分數,分別為0.93、0.91與0.97。F1綜合衡量精確率與召回率,越接近1代表該項分類表現越好;這些數字反映的是研究設定下的影像辨識能力,不能直接換算成人體疾病診斷準確率。
團隊進一步將流程用於急性腎損傷模型,追蹤受傷後25天內的蛋白質與脂質分布。他們量化了腎小管刷狀緣的重塑,以及細胞內脂滴的變化。刷狀緣是腎小管細胞表面密集的微絨毛;把這些結構與脂質變化放在同一張定量地圖上,讓研究者得以比較不同位置、不同時間的損傷與修復樣貌。
定量校正也帶來可測量的差異。在區分缺血再灌流損傷早期、受傷後24至48小時的時間點時,NoRI影像的分類F1達0.99,原始受激拉曼散射影像則為0.84。這項比較支持正規化處理的價值,但對照的是兩種拉曼影像形式,並非與病理醫師判讀傳統染色切片直接較量。
速度與樣本處理是另一個潛在優勢。哈佛醫學院報導指出,這套流程僅需少量、甚至不需組織前處理,約30分鐘即可完成。Medical Xpress於11月16日轉載同一份校方報導,並提到團隊正將方法用於結腸癌、肝癌及前列腺癌的臨床前模型;這些延伸工作仍屬研究探索。
目前最扎實的成果,是在小鼠組織中保留並量化原本容易流失的資訊,讓腎臟病程有更細緻的研究尺度。若要走入臨床,仍須在人類檢體、不同病理狀態與跨實驗室條件下驗證,也要釐清新增的影像特徵能否改善診斷或治療判斷。看見更多組織細節,已是研究上的進展;其臨床意義還需要後續證據。