由加州理工学院（Caltech）领导的团队开发了一种安全、有效且无痛的乳腺成像技术，该技术结合了机器学习，以帮助区分可疑组织和健康组织。这种方法已经在患者身上进行了测试，其表现与传统乳腺成像技术相当甚至更优。
几十年来，X射线乳腺摄影一直是乳腺癌早期检测的黄金标准。尽管这种方法在减少癌症死亡率方面仍然具有重要价值，但它会使患者暴露于少量电离辐射中，并通过挤压乳房以便X射线更容易穿透组织，这一过程往往令人疼痛。此外，特别是在乳腺组织密集的情况下，它还会产生许多假阳性诊断。
其他技术如超声波和磁共振成像（MRI）也可用于乳腺成像，但这些方法同样存在问题。超声波非常安全，但其准确性依赖于操作员的技能，结果并不总是明确。MRI耗时长、成本高，并且不能用于对造影剂过敏、患有幽闭恐惧症或某些植入物的患者。
“我们强烈受到这一问题的驱动，因为当前的技术都不完美，”加州理工学院医学工程和电气工程Bren教授Lihong Wang表示，“医学的未来必须做得更好。”
Wang及其同事在过去20年中开发并完善的技术称为光声计算机断层扫描（Photoacoustic Computed Tomography，简称PACT）。它提供了一种无需不适、高成本或风险的乳腺成像替代方案。PACT配备了一台激光-声波扫描仪，可以在短短15秒内识别肿瘤。
在加利福尼亚州杜阿尔特市希望之城综合癌症中心（City of Hope Comprehensive Cancer Center）研究人员的合作下，该团队对39名患者进行了PACT测试。在区分可疑组织与正常组织以及恶性与良性肿块或结节方面，其表现与乳腺摄影和MRI相当。
科学家们在《自然生物医学工程》（Nature Biomedical Engineering）期刊的一篇新论文中描述了PACT及其临床结果。该论文的第一作者是加州理工学院Andrew and Peggy Cherng医学工程系的研究生辛彤（Xin Tong，MS '21）、刘梓琳（Cindy Z. Liu）和罗一林（Yilin Luo），以及李林（Li Lin，Ph.D. '20），他完成这项工作时在加州理工学院，现在在中国浙江大学。
“这是数十年工作的结晶，”Wang说道，他同时也是加州理工学院Andrew and Peggy Cherng医学工程领导主席兼医学工程执行官。“我们希望将PACT发展为一种临床工具，使患者受益——帮助检测乳腺癌，而无需让患者承担患癌的风险或担心过敏反应。”
工作原理
PACT通过将近红外激光脉冲照射到乳腺组织中进行工作。激光光扩散到乳腺内部并被分子吸收。例如，它可以被患者红细胞中的携氧血红蛋白分子吸收，导致这些分子以超声波的形式振动。
与沿直线传播的X射线不同，光波会在组织内部散射或反弹，因此很难获得高分辨率图像。因此，PACT将光和声结合为单一模式。“我们用光来看分子，但用声来定义空间位置，”Wang解释道。
分子的振动通过组织传播，并被放置在乳房皮肤上的512个微型超声传感器阵列捕捉。来自这些传感器的数据被用来组装乳腺内部结构的图像，这一过程类似于超声成像，但精度更高。PACT可以清晰地显示小至0.25毫米、深度达4厘米的结构。
“我们基本上利用分子来了解身体的生理状况，”Wang说。“这就是光声断层扫描的美妙之处：通过检测分子，我们可以准确了解身体的运作方式。当功能上有差异时，这意味着我们可能更好地检测疾病。”
例如，PACT在检测血红蛋白方面表现优异，因此能够揭示血管生成（angiogenesis），这是乳腺癌的一个常见特征，涉及额外血管的生长以向癌细胞输送更多富含营养的血液。PACT还可以检测肿瘤缺氧（hypoxia），这是癌症的另一个特征，快速的新陈代谢超过了血液供应，导致肿瘤部分区域缺氧。
机器学习可检测可疑组织，有时甚至比人类更快
随着人工智能（AI）和机器学习的成熟，Wang表示，PACT在检测乳腺组织异常方面比几年前更加出色。科学家们用恶性与良性肿块或结节以及可疑和健康组织的图像训练了系统，提高了其注意细微变化的能力，从而判断所成像的组织类型。事实上，Wang指出，PACT通常可以检测出可能被肉眼忽略的问题特征。
患者体验
在PACT扫描期间，患者面朝下躺在一张桌子上，桌子的凹槽中包含温水浴、超声波传感器和激光器。一次对一个乳房进行扫描，将其放入凹槽中，激光从下方照射。由于该技术速度较快，每次扫描都可以在患者屏住呼吸时完成。
“我们从一个基本的实验室系统开始——只有一个单元素超声换能器，我们围绕其旋转——那花费了很长时间。现在我们可以在一次屏气过程中完成3D成像，这使其变得非常实用，”Wang说。
Wang补充道，从某些方面来说，这项新工作只是一个开始，因为团队相信通过添加更多的激光波长（目前使用两种）并改进其他特性，可以进一步提高成像质量。展望未来，团队的下一步包括从更多乳腺癌志愿者中获取更大规模的数据集，通过利用更多特征来改进分类模型，并最终实现技术的商业化。
(全文结束)
