基于人工神经网络的生物组织质谱成像分类与识别方法

摘要生物组织质谱成像技术不仅能够展示组织的生物分子信息，而且能直观地显示分子空间分布，是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题，特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是，首先进行质谱成像数据预处理，应用无监督的自组织特征映射网络区分组织样品区与非组织区域，提取组织区域的质谱数据，应用有监督的学习向量量化网络对已知类别数据进行学习训练，建立模型; 应用模型对未知样品进行识别。应用本方法对6 个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别，结果显示，癌变组织判错率低于23． 38%，而非癌变组织判错率低于9． 08%，表现出较高的准确度; 对3 片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分，将中间的1 片用于训练，两边的2 片用于验证，结果显示，自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别，具有较高准确度和操作简便等优点，在临床医学研究领域有大规模的应用潜能。

    生物质谱成像( Mass spectrometry imaging，MSI) 是近几年快速发展起来的生物分子成像技术，不仅能展示组织的生物分子信息，而且可直观显示分子空间分布［1 ～ 3］。MSI 广泛应用于从生物细胞到生物组织的蛋白、多肽和脂质分子的成像研究，包括药物及其代谢物在组织内的分布研究、生物医学诊断、分子病理研究、以及三维生物分子质谱成像研究等［4 ～ 10］。
    如何对生物组织质谱成像的测试数据进行基于生物分子的有效分类与识别，是MSI 研究领域关注的重要问题，也是利用质谱成像提供分子生物空间信息的关键。特别对于病变组织与其邻近非病变组织的区分与识别，癌变与非癌变的判定，以及癌变的早、中、晚期识别具有重要意义。同时对生物组织功能区域的划分与鉴定、功能区域边界的划分与认定等，同样具有重要意义。
    选择分类与识别依据的变量类型直接关系到分类与识别模型的成败。可以作为判别的变量类型
有: 疾病标志物的有无、单一分子的含量差异和多分子的复合差异。利用疾病标志物的质谱成像分类与识别很简单直观，但由于疾病标志物难以寻找和发现已知的标志物种类太少，依赖于此的质谱成像分类应用研究过于狭窄。另外，应用单一分子含量差异能够得到对比显著的质谱成像图，但其结果通常不可靠。因为样品分析环节中存在诸多可以导致单一分子含量产生显著变化的因素，容易掩盖样品间的本质差异，而且样品个体间的本身差异太大，以至于判定阈值难以适用。多分子的复合差异，相对单一分子差异，能够显著增强其可靠性。本研究采用多分子的复合差异作为分类与识别的依据变量。
   基于多分子复合差异分类与识别的系统方法包括: 提取多分子复合差异的特征信息，并应用已知样品的特征信息进行模型训练获得判别规则，再将判别规则应用于其它未知样品的有效区分与识别。这类方法的研究才刚刚起步。当前，美国普渡大学Cooks 教授研究组对人膀胱癌组织与邻近非癌变组织进行解吸附电喷雾离子化( Desorption electrospray ionization，DESI) 质谱成像分析，应用多元统计偏最小二乘判别分析( Partial least-square discriminate analysis，PLS-DA) 方法进行训练和判别，取得了很好的结果［11］。然而，在PLS-DA 方法判断的过程中需要人为选定参与训练和判别主成分的数量( 这将直接影响最终的判定结果) ，而且整个过程相对复杂，对应用该方法的人员提出了较高的专业背景要求。
    本研究建立了从质谱原始数据处理到基于人工神经网络的生物组织质谱成像分类与识别方法。充分利用自组织特征映射网络( Self-organizing feature map，SOFM) 无监督、自组织自学习网络特点来区分样品区与非样品区。SOFM 相对其它的自组织网络( 竞争层网络) 既可以学习训练数据输入向量的分布特征，也可以学习训练输入向量的拓扑结构，具有聚类速度快、结果精确等特点［12， 13］。在获取了样品区域后，再应用学习向量量化网络( Learning vector uantization，LVQ) 进一步对样品区的生物组织进行有监督的学习训练，建立模型，应用模型对其它未知样品进行类别识别。LVQ 有一个创建原型的优势，其结果易于解释，在模式识别和优化领域有着广泛的应用［12， 14］。应用6 个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据和3 片临近的小鼠大脑切片质谱成像数据测试本方法的效果。从测试数据看，本方法有效、简便、实用，具有大规模应用的潜能。