基于多层荧光成像信号增强与补偿的慢性淋巴细胞白血病（CLL）筛查及异常检测：开启精准诊疗新篇章

《Journal of Cancer Research and Clinical Oncology》：Chronic lymphocytic leukemia (CLL) screening and abnormality detection based on multi-layer fluorescence imaging signal enhancement and compensation

为解决荧光原位杂交（FISH）技术在癌症筛查中信号清晰度差、需手动干预等问题，研究人员开展基于多层荧光成像信号增强与补偿的慢性淋巴细胞白血病筛查及异常检测研究，结果显示该方法显著提升 FISH 信号质量，对癌症诊疗意义重大。

　　在癌症研究领域，荧光原位杂交（FISH）技术堪称 “侦察兵”，它能深入细胞内部，精准定位基因位置，帮助科学家们探究基因组的空间组织和基因表达情况 ，对慢性淋巴细胞白血病（CLL）的研究更是意义非凡。通过 FISH 技术检测 RB1、DLEU 和 LAMP1 等关键基因的异常情况，能够揭示 CLL 的分子机制，为患者的分子分型、预后评估和靶向治疗提供关键依据。

然而，FISH 技术并非完美无缺。在实际应用中，它常常遭遇 “敌人” 的干扰。复杂的结构变异和小突变难以被精准检测，信号衰减和背景噪声如同 “迷雾”，严重影响信号的清晰度，尤其是在分析微弱信号时，这些问题更加凸显。此外，传统 FISH 技术的操作流程既繁琐又耗时，高度依赖人工分析，难以满足现代高通量检测的需求，就像一辆老旧的马车，无法在信息高速公路上疾驰。

为了突破这些困境，长春理工大学的研究人员勇挑重担，开展了一项极具创新性的研究。他们旨在打造一个自动化的图像采集和信号增强框架，就像为 FISH 技术配备了一套智能升级系统，增强 FISH 信号的清晰度，提高筛查效率，减少漏诊情况的发生。

研究人员采用了一系列先进的技术方法。首先，开发了自动化的荧光显微镜成像流程，能够自动进行样本定位、聚焦调整、图像采集和视野重复操作，大大提高了实验效率和图像质量。其次，提出了融合区域和局部特征分析方法，通过动态计算全局和局部权重，抑制背景噪声，增强微弱信号的分辨率和显著性。最后，构建了基于循环生成对抗网络（Cycle-GAN）的荧光信号补偿网络，并对其进行优化，引入多层荧光图像特征融合、无监督和有监督学习相结合、在生成器中加入 transformer 模块、增强判别器以及采用多种损失约束等技术，有效提升了信号补偿能力。

在研究结果方面：

• 模型性能对比：研究人员将所提网络与 GAN、VAE、传统 Cycle-GAN 和 Pix2Pix 等模型进行对比。结果显示，所提网络收敛速度更快，在训练的前 50 个 epoch 中损失显著降低，150 个 epoch 时趋于稳定。它能够有效平衡特征保留和补偿，通过多种损失约束，显著增强荧光信号强度和细节，在复杂成像任务中表现出色。
• 实验结果评估：通过主观视觉评估和客观指标评估验证算法的有效性。在视觉评估中，所提算法增强后的图像在细节、清晰度和整体视觉效果上表现优异。客观指标评估显示，该算法在各荧光通道的处理上具有精准性和选择性，增强后的图像亮度、对比度提升明显，尤其是在关键层（z-stack）的荧光信号强度得到显著增强。所提网络的结构相似性指数（SSIM）高达 0.999，与原始图像相似度极高；对比度提升了 49.02%，边缘梯度（EOG）提升了 48.61%，对比改善指数（CII）在 1.021 - 1.353 之间，实现了有效且平衡的增强，且在多个指标上优于传统模型。
• 可视化分析：研究人员对 RB1、DLEU 和 LAMP1 等弱表达基因的荧光信号进行可视化分析。通过 3D 重建技术，发现该补偿技术显著增强了荧光信号强度，抑制了背景干扰，重建后的信号边缘更清晰、分布更均匀、细节更完整。在单层图像分析中，经过网络补偿后，各基因的荧光信号特征得到明显改善，提高了弱荧光信号的可见性和检测准确性，减少了假阴性结果，有助于更精准地识别复杂的染色体异常。

研究结论和讨论部分指出，该研究提出的荧光信号增强和补偿框架成功解决了荧光显微镜检测中的关键难题，在 CLL 诊断中表现卓越。通过自动化采集、混合特征分析和基于 Cycle-GAN 的网络，有效克服了传统技术的局限性，提高了信号质量，准确检测出染色体异常。该框架不仅在 CLL 诊断中发挥重要作用，还具有广泛的应用潜力，通过适当调整网络结构和数据输入，可应用于乳腺癌、肺癌等其他癌症以及神经退行性疾病的诊断，提升基因组分析和诊断准确性。结合不同成像方式，该框架通用性强，有望在生物医学领域广泛应用。不过，局部特征仍存在细微偏差，需要进一步优化，以提高框架在不同数据集和成像模式下的通用性和性能。总体而言，该框架为 CLL 和其他疾病的个性化诊断和治疗提供了更精准、可靠的技术支持，推动了精准医学的发展。此次研究成果发表在《Journal of Cancer Research and Clinical Oncology》上，为相关领域的研究开辟了新的道路，让我们在攻克癌症的征程中又迈出了坚实的一步。