專利名稱：自動化細胞樣品分類系統(tǒng)和方法
技術領域：
本發(fā)明一般涉及細胞分類，尤其涉及細胞學，更特別地涉及對以細胞形態(tài)學為基礎的細胞進行迅速和精確分類的半自動化方法和裝置。本發(fā)明還涉及利用和組合前述的分類技術和結果以及免疫化學染色技術獲得定量指標或數值用于診斷或其它目的。
背景技術：
在醫(yī)學界經常需要有經驗的實驗室技術人員觀察生物樣品是否存在具有某種細胞類型的細胞。其中一個例子就是需要觀察巴氏涂布載玻片是否存在惡性或前惡性細胞。巴氏涂片通常含有多如100,000至200,000個或更多的細胞和其它物體，為了確定可能存在極少的惡性或前惡性細胞，技術人員必須分別觀察其中的每一個。由于技術人員承受著單調和疲勞，因此采用細胞觀察技術的巴氏涂片試驗以及其它試驗存在著很高的假陽性率。
在美國，每年有幾千名婦女僅僅因患有子宮頸癌而死亡，從理論上來講，如果在其早期原位階段能檢查出來，患有這種癌癥的婦女有很高的存活率。然而，如果早期未能檢查出來，存活機會將減少。如果巴氏涂片上的惡性細胞未能檢查出來，當該婦女過一定時間作另一次巴氏涂片時，癌腫將可能擴散。因此，在一個涂片的成百上千個細胞中檢查到僅僅一個或幾個惡性或前惡性細胞的重要性并非言過其實。不幸的是，目前的手工篩選方法是不精確的。事實上，近來某些實驗室已經發(fā)現不準確地列為良性的高達30％的樣品含有惡性或前惡性細胞。而且，不幸的是許多現有的自動化細胞觀察或分類嘗試始終未成功。
特別是，現有的自動化嘗試僅僅依賴于特征抽查、模板匹配和其它統(tǒng)計或算法方法。這些嘗試需要昂貴和耗時的細胞制備物，以在載玻片上分布細胞和其它物體，從而沒有細胞或物體重疊。然而，盡管如此，這些嘗試仍未能在合理的時間內精確地分類樣本。
通過如第4965725號和5257182號美國專利以及1990年11月7日提交的第07/420105號、07/425665號、07/520611號和07/610423號美國專利申請所披露的，將算法或統(tǒng)計的一級分類器與以神經網絡為基礎的二級分類器組合在一起，已經解決了這些難題，上述美國專利和申請在此一并作為本申請的參考資料。美國紐約的神經醫(yī)學系統(tǒng)公司生產商標名為PAPNETTM的一種市售的自動化巴氏涂片篩選器，它利用一級分類器結合以神經計算機(neurocomputer)為基礎的二級分類器。
在細胞學和組織學領域采用免疫化學染色技術是眾所周知的。然而，過去一直沒有令人滿意的技術用來定量地表示免疫化學染色樣品的檢查結果。而且，也沒有自動或半自動化分析技術用來診斷評價免疫細胞化學樣品或免疫組織化學樣本。
發(fā)明概述本發(fā)明提供一種半自動化進行細胞分類的方法和裝置，它至少采用一級和二級分類過程繼而由熟練技術人員觀察。尤其是，該過程分析已被染色的諸如具有免疫化學標記的樣品，它表明有關單個細胞或多個細胞的信息，諸如細胞繁殖。根據每一種表示惡性細胞或細胞群的可能性，對樣品進行分類并對樣品內的物體進行排序。對最高排序的單獨細胞的顯示以及對最高排序的細胞群的顯示可供細胞學家者觀察和操作。通過計算機和鼠標器的輔助，細胞學家可以在顯示器上計算出各種在診斷上有意義的信息。
根據本發(fā)明的一個方面內容，一種對樣品進行分類以呈現前惡性或惡性細胞的半自動化方法，它包括如下步驟用免疫化學標記處理樣品，對細胞增殖或其它生物學特征提供一種目視指征；根據每個物體具有與前惡性或惡性細胞或細胞群相一致的屬性可能，按一定的次序對樣品中的各個物體排序；根據所述的排序選擇用于顯示的一組所述物體；以及顯示所選物體的圖象，便于操作員觀察。
最好，本發(fā)明包括允許操作員選擇或消除有時候稱為或包括在“板塊”(tile)等之內的細胞、一個或多個細胞圖象的步驟，由此編輯顯示以指明或集中在具有特定診斷意義的這些細胞上。本發(fā)明還包括對某些指定顯示的細胞的染色區(qū)域或面積進行積分的步驟。這種積分可以采用傳統(tǒng)積分、圖象處理技術、對細胞的計數等。
本發(fā)明將形態(tài)學與免疫化學染色技術結合應用于細胞學；本發(fā)明還可以應用于細胞塊或組織切片，這也是公知的或與組織樣品相同。為此，本發(fā)明涉及細胞病理學領域，并涉及組織病理學領域。盡管本說明書涉及細胞標本或樣品，但顯然本發(fā)明的描述也適用于組織標本或樣品，它們可以用來進行合適的免疫化學染色，諸如MiB-1染色。
過去，免疫化學樣品沒有受過自動或半自動量化技術的檢驗，相反，這種染色用來“檢查”一種樣品。過去，在例如用免疫化學染色劑染色的細胞或組織物體與具有形態(tài)異?；蚰承┢渌幸饬x特征的細胞或組織物體之間，沒有建立自動或半自動化的相互關系。對比之下，本發(fā)明涉及對與臨床上相關、例如作為預后指示的細胞樣品或組織樣品獲得一種免疫化學染色的定量指標。
根據本發(fā)明的一個方面內容，一種細胞分類技術，諸如一類已知的PAPNET系統(tǒng)和技術的分類技術，諸如在這里所述以及在有關專利申請(本文為部分續(xù)展申請)中所述的分類技術，用以找到或幫助找到有意義的細胞，例如為進一步的診斷或醫(yī)學上的考慮所需要或作為依據；免疫化學染色技術用來提供有關這類有意義細胞的信息。由于染色的細胞是根據前述的分類技術預先選擇的，故可以得到對這種細胞染色結果的定量。然而，這種定量可以以所選的細胞而不是以整個樣品為基礎。
在某種意義上，本發(fā)明將形態(tài)學與細胞樣品的免疫染色過程分析結合在一起。結果，有可能獲得一種定量的細胞樣品的活性、增殖、或其它過程或特征。
過去，在自動或半自動化過程中，不可能獲得與免疫染色有關的有意義的定量指標或數值。相反，過去對涂片上整個樣品的正象染色區(qū)域進行積分；它提供了有用的定量。在本發(fā)明中，通過分類器選擇正象染色的細胞或細胞群，并且從這些選擇中可以產生一種有意義的定量指標。
隨著以下描述的深入，本發(fā)明的其它目的、優(yōu)點和各個方面將變得更加清楚。
為了實現前面的和相關的結果，本發(fā)明包括了以下在說明書中詳細描述，尤其在權利要求書中所指出的各種特征，以下的描述和所附的附圖詳細提供了本發(fā)明的某些說明性的實施例，同時也表明，可以采用應用本發(fā)明原理的各種方式中的一種。顯然，本發(fā)明的范圍由所附的權利要求書及其等同的內容所限定。
附圖簡述附圖中

圖1是根據本發(fā)明的細胞分類或篩選裝置的示意圖；圖2是表示篩選裝置進行掃描通道的示意圖；圖3是表示圖1所示的篩選裝置將重點放在處理系統(tǒng)上的示意圖；圖4是一個流程圖，它示意性地表示圖象數據流經分類裝置。
本發(fā)明的詳細描述參見附圖，其中相同的標號表示相同的部件，圖1表示根據本發(fā)明的一種半自動化細胞分類裝置10。簡而言之，裝置10包括自動化光學顯微鏡12，它具有一個機動的顯微鏡載物臺14，用以相對顯微鏡觀察部分18的觀察區(qū)域移動載玻片16；攝像機20用以從光學顯微鏡獲得電子圖象；處理系統(tǒng)22用以將圖象中的物體分類為很可能是預定的類型；存儲器24和高分辨率彩色監(jiān)視器26分別用以存儲和顯示由處理系統(tǒng)鑒別為很可能是該預定類型的物體。
在該較佳的實施例中，分類裝置10是半自動的。換句話說，處理系統(tǒng)22對樣品中的細胞和細胞群進行分類，并根據各個細胞和細胞群可能是例如惡性或前惡性細胞或細胞群，按一種次序對細胞和細胞群排序。細胞和細胞群可以是細胞樣品，而且，細胞群可以是細胞塊、組織切片、另外可以是公知的組織樣品等。
在監(jiān)視器26上顯示按最有可能是前惡性或惡性細胞或細胞群排序的細胞和細胞群，供熟練技術人員觀察。然后，該熟練技術人員可以進行最終判斷，是否每一個所示的細胞和細胞群都是前惡性、惡性的，或者相反，表示在醫(yī)療上要進一步注意患者的情況，從患者身上獲得的樣品證明是正確的。最好，例如通過在同一監(jiān)視器26上一組接一組地顯示出多組細胞或細胞群，從所示的分類為很可能是惡性的細胞群中分離出所示的分類為很可能是惡性的細胞。
從分類裝置10的半自動化性質來看，除了機動的顯微鏡載物臺14之外，顯微鏡12最好將包括用以聚焦的自動化裝置、用以在高倍與低倍之間改變透鏡物鏡的自動化裝置和用以調節(jié)載玻片入射光的自動化裝置，以及一般根據處理系統(tǒng)的命令控制機動的顯微鏡載物臺移動的電路系統(tǒng)。顯微鏡還可以包括自動化載玻片傳送系統(tǒng)，用以將含有待分類樣品的載玻片移到和移出機動的顯微鏡載物臺；用以標記載玻片上有關區(qū)域的細胞標點器；以及用以從載玻片上閱讀編碼信息的條形碼閱讀器。至少能完成上述某些功能的一例顯微鏡由德國Carl Zeiss公司制造，一種合適的機動的顯微鏡載物臺由美國Ludl Electric Products公司制造。
如圖2所示，根據本發(fā)明，自動化顯微鏡12最好對其上設置樣品的載玻片進行三次掃描。對載玻片的第一次掃描以較低的放大倍數例如50倍進行，稱為低分辨率掃描(30)。第二次掃描以較高的放大倍數例如200倍進行，稱為高分辨率掃描(35)。第三次掃描稱為高分辨率再掃描，它也是以高放大倍數(40)進行。
在對載玻片進行第一次掃描(30)期間，發(fā)現載玻片的特定區(qū)域有近似的聚焦平面，判斷載玻片的該區(qū)域是否含有一部分樣品。一旦完成對整個載玻片的低分辨率掃描(30)，即記錄該聚焦平面以及含有該樣品的載玻片區(qū)域，進行高分率掃描(35)。
高分辨率掃描(35)僅在低分辨率掃描(30)期間發(fā)現含有一部分樣品的載玻片區(qū)域進行。因此，相對時間較長的高分辨率掃描(35)僅在載玻片的有關區(qū)域進行，處理時間大大減少。在高分辨率掃描(35)期間，自動化顯微鏡12掃描載玻片的有關區(qū)域，攝像機20對這些區(qū)域拍攝電子圖象并將圖象送到處理系統(tǒng)22。處理系統(tǒng)22對發(fā)現生物物體的質心具有典型細胞類屬性的圖象進行一級分類，對諸如惡性細胞的該細胞類進行篩選。采用較小的以這些質心為中心的分圖象，由處理系統(tǒng)22進行二級分類，它向每個質心分配一個數值，表示具有該質心的物體是已作了分類的某類細胞的可能性。同時，還根據通過二級分類分配的數值對質心排序。
在完成高分辨率掃描(35)后，最好對最高排序的64個細胞和最高排序的64個細胞群進行高分辨率再掃描(40)，盡管其它許多細胞和細胞群也可以由系統(tǒng)選擇。在再掃描(40)期間，自動化顯微鏡12將移到每一個最高排序的細胞和細胞群的質心，攝像機20將對具有該質心的物體以及物體周圍的外圍圖象獲得高分辨率的彩色圖象。然后，將這些高分辨率圖象存儲在存儲器24內，后者可以是一種可更換的部件諸如光盤或磁帶等等，或者是一種固定的存儲部件諸如硬盤。此外，圖象也可以經由網絡或通過數據在活動存儲介質上的輸送傳送到另一臺計算機。
64個細胞圖象和64個細胞群形成兩個獨立的概要篩選(summaryscreens)，一個用于細胞圖象，另一個用于細胞群。圖象數例如64僅僅是典型的情況，也可以采用其它的數目。該數目可以是一直不變的，或者可以是排序的函數，例如以反映樣品或樣品中細胞的不規(guī)則程度或重要性。這樣，如果有許多感興趣的細胞，該數目可以大于64；如果只有少量的細胞感興趣，則該數目可以更小。每一概要篩選最好排列成一個8×8矩陣的高分辨率彩色圖象或圖片，以每幅圖象中心內的可疑細胞或細胞群為特征。然而，將可發(fā)現，其它數目的圖象可以同時顯示形成概要篩選，諸如一個4×4矩陣。這些概要篩選顯示在高分辨率彩色監(jiān)視器26上，例如由細胞學家進行三級分析和分類(或者，例如如果是組織樣品時，由組織學家進行)。這種分析可以在處理系統(tǒng)22已經完成分類處理之后的任何時間進行。再者，通過利用可更換的存儲部件或網絡連接，可以將概要篩選的圖象傳送到遠離顯微鏡18、攝像機20和處理系統(tǒng)22的工作站進行顯示和分析。在此情況下，可以采用一個獨立的圖象處理器41驅動高分辨率彩色監(jiān)視器26，并向細胞學家提供合適的界面。
以下將描述本發(fā)明的篩選方法和裝置，它用于篩選巴氏涂片以發(fā)現子宮頸癌細胞。然而，對于本領域的熟練技術人員而言，顯然這僅僅是一種說明性的應用，本發(fā)明還可以用來篩選通過多種細胞采樣技術諸如吸氣和剝離等采集的其它生物物質的樣品。再者將發(fā)現，盡管所例舉的篩選用于惡性或前惡性細胞，該篩選也可以用來檢查其它細胞類型。除了這里所述的以外，樣品也可以是細胞塊或組織切片，也可以是本領域公知的組織樣品。
現在轉向深入地討論本發(fā)明，特別參見圖3，其中表示在處理系統(tǒng)22實施的分類部件方面，篩選裝置10具有特別的重要。處理系統(tǒng)22最好包括圖象處理器和數字轉換器42、神經計算機44和45、以及配備外部設備進行打印、存儲等的通用處理器46。
通用處理器46最好是Intel 80486微處理器或以類似微處理器為基礎的微計算機，盡管它也可以是適合有效執(zhí)行本文所述功能的其它計算機類裝置。通用處理器46控制裝置10各部件之間的數據流動和動作，它可以執(zhí)行附加的主要特征抽樣算法(extraction algorithms)，并處理圖象和分類信息的存儲。通用處理器46另外控制諸如打印機48一類的外圍設備、諸如光盤或磁性硬盤、磁帶驅動等之類的存儲裝置，以及諸如條形碼閱讀器50、載玻片標識器52、自動聚焦電路、機器人式的載玻片輸送裝置、顯微鏡載物臺14和鼠標器53之類的其它裝置。
圖象處理器和數字轉換器42使來自視頻攝像機20的圖象數字化，并對圖象進行一級算法分類，濾除不想要的信息。圖象處理器和數字轉換器42(以下通稱為圖象處理器)執(zhí)行兩種獨立的過濾操作。在一種操作中，對由視頻攝像機20通過顯微鏡12拍攝的樣品圖象進行過濾，以找出顯示具有前惡性或惡性細胞屬性的個別細胞。在另一操作(該操作最好與第一過濾操作同時進行)中，找出具有前惡性或惡性細胞群的細胞群。
二級細胞分類由神經計算機44和45完成。每臺神經計算機被指定處理由圖象處理器42的過濾操作之一所提供的特定類型的圖象。例如，神經計算機44被指定用以識別在圖象處理器42的一種過濾操作輸出中的各個惡性和前惡性細胞，而神經計算機45則被指定用以識別由另一種過濾操作所輸出的圖象中的前惡性和惡性細胞群。因此，二級分類功能可以用一臺神經計算機或一種模板匹配算法執(zhí)行，后者設計成用以識別已知為典型的病理細胞或細胞群。例如，在平行分布的處理網絡內，可以有效地實施模板匹配或其它群體處理算法。另一種二級分類實施例就是設計成用以進行以群體為基礎的分類的全息圖象處理器。
圖象處理器42、神經計算機44和45以及通用計算機46的每一個都可以訪問只讀存儲器和/或隨機存取存儲器，由于必須執(zhí)行所述功能的軟件的存儲和執(zhí)行與處理部件有關，因此，顯然在本領域的熟練技術人員看來，訪問速度應當很快。再者，每一部件42、44、45、46都包括了電路、集成電路芯片等，用以控制通信或數據在數據總線54上的傳輸以及典型的將在以后提及的類似處理器的其它各種功能。
參見圖4，它表示用于處理系統(tǒng)22的一個數據流程圖。如圖所示，圖象數字轉換器和圖象處理器42分成3個功能性部件42a、42b和42c，以最佳表示圖象數據經由圖象處理器42的功能性流動。在高分辨率掃描(35)期間，當自動化顯微鏡12聚焦在待分析樣品中的一幅圖象時，該圖象提供給圖象數字轉換器42a，它將圖象轉換為數字格式。然后，數字化圖象數據被送到兩個獨立的分類處理42b和42c，它們設計成用以執(zhí)行對圖象數據的不同的過濾操作。該算法分類功能42b和42c進行一級分類。
算法分類器42b與一種帶通濾波器(band-pass filter)相類似，它允許具有形態(tài)學屬性與前惡性或惡性細胞相一致的各個細胞通過分類器42b。分類器42濾除其它物體和碎片，包括體積太小不會是惡性細胞的細胞諸如中性白細胞，太大的細胞，細胞群以及具有其它特征能使其與惡性細胞區(qū)分開來的細胞，例如紅血球細胞因其在所示圖象中的強度或亮度而能被區(qū)分開來。合適的形態(tài)學算法的一個實施例在第5257182號美國專利中作了描述，它在此結合作為本申請的參考資料。許多類型的惡性細胞傾向于解離，這樣，算法分類器42b最好找出這些解離的細胞，它們具有一定的前惡性或惡性細胞的形態(tài)學特征，并使這些細胞送到神經計算機作進一步的分類。
算法分類器42c與一種帶通濾波器相類似，它使細胞組(cell groups)或細胞群通過，但拒絕單個的或解離的物體和細胞通過。某些類型的癌趨向于形成細胞群，例如腺癌，而其它的細胞群，例如多細胞的上皮碎片和腺細胞群可以有其它的診斷特征提供給觀察者，這將在后面詳細討論。算法分類器42c最佳地使有意義的細胞群的圖象傳送到神經計算機45作進一步的分類。
最好，算法分類器42b和42c以及圖象數字化功能42a組合在允許順序和同時兩種處理方式的單個處理器內。在較佳的實施例中，圖象處理器和數字轉換器42是一種低水平形態(tài)學特征抽樣圖象分類器，它在其它條件中包括圖象數字化功能和ISMAP(圖象符號變換)板。第4601055號美國專利較完整地描述了合適的圖象處理器，該專利文獻在此結合作為本申請的參考資料。此外，圖象處理和數字化功能也可以分成兩個或多個部件。
兩級分類由神經計算機44和45完成。每個神經計算機44和45根據其訓練來識別細胞或細胞群，它們有最大的可能呈現前惡性或惡性細胞或細胞群。神經計算機44和45分別由算法分類器42b、42c提供圖象數據，這與其訓練是一致的。例如，神經計算機44經訓練識別各個前惡性或惡性細胞，并配備了已由算法分類器鑒別其為具有形態(tài)學屬性的個別前惡性或惡性細胞的圖象數據。同樣，神經計算機45經訓練識別個別的前惡性或惡性細胞群，并配備了已由算法分類器鑒別其為具有形態(tài)學屬性的個別前惡性或惡性細胞群的圖象數據。
如上所述，神經計算機44配備了來自一級算法分類器42b的圖象數據，它包括細胞和其它物體的圖象，它們已由算法分類器鑒別為具有與解離的前惡性和惡性細胞相一致的屬性。根據其訓練，神經計算機44為數據中有可能呈現前惡性或惡性細胞的圖象分配相對較大的數值，并為極少有可能呈現惡性細胞，例如只有良性細胞的圖象分配較小的數值。將64個最高排序的細胞圖象，即最有可能呈現前惡性或惡性細胞的那些細胞圖象提供給通用計算機46。
神經計算機45配備了呈現細胞群的圖象數據，它們已由一級算法分類器42c鑒別。神經計算機45根據其訓練，為有可能呈現前惡性和惡性細胞群的數據中的圖象分配一個較大的數值，而為有可能為良性細胞的圖象分配一個較小的數值。這時，將最高排序的64個細胞群圖象提供給通用計算機46。
神經計算機44和45最好是經訓練以鑒別可疑細胞或細胞群的一個神經網絡的計算機實施例中的。在該實施例中，用在若干任何市售的神經計算機加速器板上執(zhí)行的流水線串行處理技術模擬一個兩層或三層反擴散(backpropagation)神經網絡。有關這些神經計算機的操作，例如在1988年3月出版的IEEE Spectrum第36至41頁上由Hecht-Nielsen，Robert發(fā)表的“NeurocomputingPicking the Human Brain”一文中已作了討論。神經計算機最好在一種Anza PlusTM處理器上實施，這是Hecht-NielsenNeurocomputers的一種市售的神經計算機。這種神經計算機可以方便地結構成用一種方式操作，該方式適合于本領域的熟練技術人員通過參考相應的手冊等完成二級分類功能。
最好，神經計算機44、45用已由相應一級算法分類器分類的圖象進行訓練，然后，由熟練技術人員觀察分析細胞樣品是否存在惡性細胞和細胞群。這樣，一個人就可以迅速地觀察已由一級算法分類器42b和42c分類的細胞和細胞群，并判斷該細胞或細胞群是良性的還是惡性的。在訓練方式的操作中，用通過算法分類器42b分類為具有形態(tài)學屬性惡性細胞的各個物體的圖象訓練神經計算機44，其中，熟練技術人員已經判斷出是惡性還是良性。圖象經神經計算機輸送，并由對圖象進行正確分類的觀察者通知神經計算機是良性還是惡性。根據一連串的這種輸入，神經計算機可以自身組織使已知的良性圖象具有0.1的輸出，使已知的惡性圖象具有0.9的輸出。這種輸出例如分別表示一個細胞是正常還是異常的可靠程度。當向二級分類器提供新的未知細胞時，它從其訓練中總結出一般結論并將一個純數值附加到圖象。二級分類器越能精密地將未知的圖象歸類為良性類，其純數值越精密地等于0.1。反之，未知圖象越精密地顯示出類似于其訓練一組的非良性圖象，分配到該圖象的純數值則越精密地等于0.9。
神經計算機45按同樣的方式訓練，但所用圖象具有已由一級分類器42c鑒別為具有前惡性或惡性細胞群形態(tài)特征的細胞群。這些圖象由熟練人員進一步分類，然后根據該細胞群是良性還是惡性為圖象分配一個介于0.1至0.9之間的一個數值，并向神經計算機提供已知圖象及其由熟練觀察者所分配的各個數值。
由神經計算機44和45排序的高分辨率的細胞和細胞群圖象最有可能呈現惡性細胞或細胞群，它們通過自動顯微鏡對樣品上的有關區(qū)域進行再掃描(40)而獲得。然后，通用計算機46將圖象存儲在存儲器24內，后者可以包括光盤或磁帶，使圖象按獨立的概要篩選或幾頁信息或針對某種其它用途在監(jiān)視器26上進行觀察。如上所述。第一概要篩選最好是顯示由神經計算機44分類為最有可能是惡性細胞的64個細胞。在載玻片上的這些細胞以及周圍物質構成板塊，按一種排列方式諸如一個8×8矩陣顯示，它便于技術人員觀察。在對細胞圖象的搜索中，細胞學家可以方便地目視掃描這種概要篩選，這些細胞具有能進行分類的屬性。如果利用該系統(tǒng)篩選存在子宮頸癌的巴氏涂片，則細胞學家一般將目視檢查對細胞的第一篩選，這些細胞具有惡性或前惡性子宮頸細胞的屬性，諸如相對較大、較暗的細胞核。最好允許細胞學家通過鼠標器53與通用計算機46對話，以鑒別某些細胞為惡性，并進行其它判斷或使通用計算機執(zhí)行其它的指令或顯示不同的物質。
包括細胞群圖象的第二篩選，一般用以檢查成塊的腺細胞、子宮頸內細胞、子宮內膜細胞以及僅為某些類型的癌例如腺癌所特有的細胞塊。腺癌或任何其它惡性細胞或細胞群的存在，自然是癌的直接證據。然而，第二概要篩選中的其它物質也可以與細胞學家有關。例如，子宮頸內細胞的存在便于判斷樣品含有子宮頸內過渡區(qū)域的足夠標本，其中證明有癌存在的證據最有可能出現在癌的早期階段。此外，某些患者諸如絕經患者中子宮內膜細胞的發(fā)現，也可以表明異常情況包括癌的存在。允許通過利用鼠標器53或包括鍵盤在內的其它交互裝置，再次操作篩選顯示以及與通用計算機46對話。
巴氏涂片樣品在這里用作例舉性的樣品，它是通過用帕帕尼科拉烏染色劑或通過將細胞核染成紫色以使生物物質的細胞核突出的類似的染色劑染色子宮頸涂片而獲得的，這樣，它們就能方便地從周圍細胞中辨別出來。其它染色劑，諸如免疫標識的染色劑專用于細胞內的某些活動或情況，例如可以檢測細胞的有絲分裂或分裂。一種此類染色劑為MiB-1，這是一種單克隆抗體，針對在有絲分裂期間表達在細胞核中的某些抗原。因此，MiB-1可以用來提供對細胞增殖的目測指示。眾所周知，惡性細胞的增殖速率大大高于良性細胞，對經歷顯著增殖的樣品中一區(qū)域的指示可以為觀察該樣本的人員提供重要的診斷信息。這在增殖率很高的多細胞碎片或多細胞群中尤為實際。
MiB-1染色劑能有效地將細胞核染成褐色，但不會對細胞質進行明顯的染色。在巴氏涂片樣品的情況下，MiB-1染色劑可用來單獨或結合常規(guī)的巴氏涂片染色提供對樣品的診斷信息。當結合采用常規(guī)的巴氏涂片染色時，先利用公知的技術把染色的巴氏涂片褪色，然后在諸如以下所述的步驟中再用MiB-1染色劑染色。當樣品無需用巴氏涂片染色劑進行第一次篩選時，或當不希望用常規(guī)的染色劑對不同類型的樣品進行篩選時，可以根據諸如以下的步驟將MiB-1染色劑施加到樣品，無需首先對樣品進行褪色。
將MiB-1染色劑施加到未染色或經過褪色的樣品上的一種合適的步驟包括恢復樣品中的抗原，諸如通過1)將樣品載玻片設置在含有10毫摩爾檸檬酸鹽緩沖劑、pH6.0的塑料缸中；2)將含有樣品和檸檬酸鹽緩沖劑的塑料缸設置在微波爐內；3)微波加熱樣品達到攝氏100度并使樣品在攝氏100度下保持約20分鐘；4)將檸檬酸鹽緩沖劑中的樣品冷卻到最大溫度為攝氏50度以下；以及5)在TBS中將樣品漂洗約2分鐘。
一旦完成抗原恢復步驟，就諸如通過標準的SAB方案用MiB-1染色劑對樣品染色，該方案利用1∶200的抗血清稀釋度并用洋蘇木屬復染色。標準的SAB方案在KoK和Boon的“Microwave Cookbook forMicroscopistsArt and Science of Visualization”第3版一書中作了詳細討論(萊頓Coulomb出版社1992年出版)。
將經過MiB-1染色的樣品提供給上述分類裝置10，將導致系統(tǒng)對供細胞學家觀察的物體產生兩個概要篩選。第一概要篩選包含單個物體的圖象及其物質周圍的外圍圖象，分類系統(tǒng)將其排序以最大的可能呈現前惡性或惡性細胞，它們也正象染色作為免疫化學染色。第二篩選包含細胞群，諸如多細胞上皮碎片，分類系統(tǒng)將其排序以最大的可能呈現前惡性或惡性細胞群，它們也正象染色作為免疫化學染色。作為MiB-1染色的結果，以及對增殖細胞及其所表達的蛋白質的染色選擇性，概要篩選將包含單個細胞和細胞群，除了若干細胞染上正象但不是惡性的或包含在惡性過程之外，它們可以經歷、準備或完成有絲分裂，例如皰疹病毒宿主細胞(Herpes Virocytes)，來自淋巴小囊(小囊性子宮頸炎)以及來自組織修復的細胞。細胞學家可以迅速地將前惡性和惡性細胞或細胞群從不感興趣的其它物質和良性過程中區(qū)分開來。
將MiB-1染色的樣品提供給分類裝置10的結果在于，不僅檢查形態(tài)顯著的細胞，而且也提供增殖的跡象。因此，檢查樣品的細胞學家可以確定惡性細胞的存在以及惡性細胞的增殖程度。此種信息允許醫(yī)生為從身上獲得樣品的患者確定必須采用何種積極的處理程序。
在某些情況下，免疫染色在識別前惡性和惡性細胞中可以提高神經計算機44和45的靈敏度。因此，神經計算機44和45可以用已經由免疫化學染色劑染色的樣品進行訓練。
細胞學家可以利用鼠標器53從顯示器20上選擇細胞或細胞群以根據概要篩選對其它的細胞或細胞群分組，以在顯示器上消除細胞或細胞群，并指令通用計算機46進行某種處理或根據概要篩選中的信息進行計算。例如，對樣品中增殖細胞的計數就是一種在診斷上有意義的測量。細胞學家可以觀察概要篩選，編輯顯示，以除去某些物體或指定要計數的內容，然后，例如利用鼠標器53或鍵盤指令通用計算機46對顯示中的增殖細胞計數。細胞學家還可以將一片概要篩選中的細胞，例如上皮細胞碎片中的個別細胞標記為正象染色或負象染色，并指令通用計算機46確定正象染色的細胞核在一片或碎片中的百分比。也可以使分類適合于提供樣品中染成褐色之細胞的總量，并結合神經計算機和/或細胞學家，提供染色的良性細胞對染色的惡性細胞的相對量。
另一種診斷上有意義的測量就是染色的顯示區(qū)域。這對根據第二概要篩選顯示的細胞群諸如上皮碎片特別有關。再者，例如采用鼠標器53，細胞學家可以在第二篩選上觀察圖象，通過移動圖象、選擇圖象形成例如具有16幅重要圖象的獨立屏幕來編輯屏幕，并指令通用計算機46確定由MiB-1染色劑染色的顯示區(qū)域。然后，通用計算機46利用傳統(tǒng)的算法技術計算染色的區(qū)域，諸如總的屏幕區(qū)域的百分比，并將結果提供給細胞學家。
通過細胞學家利用鼠標器53或類似交互工具與通用處理器46的對話、在屏幕上編輯圖象的能力以及對顯示中或個別幾片顯示內細胞的鑒別性能，技術人員可以指令系統(tǒng)提供大量的診斷信息，它對所觀察的樣品以及在樣品中所發(fā)現的細胞物質特別簡潔明了。
這里例出的免疫標記染料MiB-1其它類型的免疫化學標記也可以以等同方式使用以表明樣品中所期望的特征，諸如增殖或其它特征。免疫化學標識的一家供應商為ICN Biochemicals公司，盡管其它許多廠商也可以供應。此外，由圖象處理器42和神經計算機44和45完成的分類，可以根據對由免疫化學標記可測得的特征所作的檢測簡潔明了地選擇要顯示的圖象。
本發(fā)明的另一個例子包括對細胞樣品或組織樣品的分類。這種分類確定是否對感興趣的細胞或細胞塊作進一步的考慮，例如作醫(yī)學或診斷上的考慮。根據本發(fā)明，上述采用PAPNET系統(tǒng)的技術提供了一級分類和二級分類步驟，并包括在分類過程中采用了神經計算機或神經網絡。分類方法可以以形態(tài)學為基礎。分類方法學可以延伸或擴展到形態(tài)學以外，包括與細胞樣品或組織樣品中的細胞或細胞塊的免疫化學染色有關的標準。
這種延伸處理的例子包括利用與物體、板塊、細胞或細胞塊等中的染色物質的量有關的信息，它們是通過分類處理選擇的。這種利用可以包括對選擇顯示的板塊中的染色物體計數。延伸處理可以包括積分所選顯示片的染色區(qū)域或面積。這種延伸處理的另一類型可以包括對為顯示所選的片計數，該片也包括某些或至少一預定量或一定比例的染色的物質、染色區(qū)域或染色面積。然而，有幾種方法，對在分類過程中確定的細胞、局部的所選細胞區(qū)域、片等可以結合免疫化學染色定量確定在形態(tài)學上有意義的所選細胞或細胞塊。在該延伸的處理技術中，系統(tǒng)可以通過常規(guī)的圖象處理技術、圖象分析技術和/或面積積分算法技術自動化確定可量化的數值，而無需操作員的干預。
這種延伸處理的另一個例子包括一種半自動化方式。在此方式中，操作員觀察顯示器以及在分類過程中選擇的細胞和細胞塊。然后，操作員可以編輯所顯示的標本/樣品，以確定如何進一步考慮定量過程。操作員例如通過將鼠標器的游標移到指定的顯示片并按下鼠標器的按鈕，不指明(不選擇)細胞、細胞塊、物體、片等，這些未包括在上述類型的延伸處理中，諸如圖象處理/分析以及對染色面積的積分等。
這種延伸處理的另一個例子包括一種變換的半自動化方式，與上述的相類似。在此方式中，操作員觀察顯示器以及在分類過程中選擇的細胞和細胞塊。操作員例如通過將鼠標器的游標移向或移到指定的顯示圖片并按下鼠標器的按鈕，指明(選擇)細胞、細胞塊，物體、片等，它們包括在上述類型的延伸處理中，諸如對染色面積的積分等。
工業(yè)應用性本發(fā)明一般應用于細胞分類，尤其應用于對子宮頸涂片中細胞的分類。
權利要求
1.一種對樣品進行分類以呈現前惡性或惡性細胞的半自動化方法，其特征在于包括如下步驟a)用免疫化學標記處理樣品以對細胞增殖或其它生物學過程提供一種目視指征；b)根據每個物體具有與前惡性或惡性細胞相一致的屬性可能，按一定的次序對單個物體排序；c)根據所述的排序選擇用于顯示的一組所述物體；以及d)顯示所選物體的圖象，便于操作員觀察。
2.如權利要求1所述的方法，其特征在于，所述單個物體包括單個細胞。
3.如權利要求1所述的方法，其特征在于，所述單個物體包括細胞群。
4.如權利要求1所述的方法，其特征在于，呈現單個細胞的所選物體與呈現細胞群的所選物體分別顯示。
5.如權利要求1所述的方法，其特征在于進一步包括允許操作員編輯顯示，以指明所選物體圖象內的細胞有診斷意義。
6.如權利要求1所述的方法，其特征在于進一步包括允許操作員編輯顯示，以從所選物體的圖象中消除無診斷意義的細胞。
7.如權利要求1所述的方法，其特征在于包括對所述顯示中有意義的特定細胞或細胞群進行計數的步驟。
8.如權利要求1所述的方法，其特征在于包括對所述顯示中有意義的特定正象染色細胞或細胞群進行計數的步驟。
9.如權利要求5所述的方法，其特征在于包括對由操作員指明的具有診斷意義的細胞進行計數的步驟。
10.如權利要求5所述的方法，其特征在于包括對由操作員指明為正象染色的細胞進行計數的步驟。
11.如權利要求5所述的方法，其特征在于包括對顯示中自動選為有診斷意義的細胞進行計數的步驟。
12.如權利要求5所述的方法，其特征在于包括對顯示中自動選為正象染色的細胞進行計數的步驟。
13.如權利要求1所述的方法，其特征在于，所述免疫化學標記為MiB-1染色劑。
14.如權利要求1所述的方法，其特征在于，所述免疫化學標記染色增殖細胞的細胞核。
15.如權利要求14所述的方法，其特征在于包括計算所述染色的細胞核面積的步驟。
16.如權利要求1所述的方法，其特征在于，所述細胞為一種組織樣品。
17.一種對樣品進行分類以呈現前惡性或惡性細胞的方法，其特征在于包括如下步驟a)用免疫化學標記處理樣品以對細胞增殖或其它生物學過程提供一種目視指征；b)根據每個物體具有與前惡性或惡性細胞或細胞群相一致的屬性可能，按一定的次序對樣品中的單個物體排序；c)根據所述的排序選擇一組所述物體；以及d)對樣品的免疫化學染色以確定一種定量指標。
18.如權利要求17所述的方法，其特征在于，所述的確定包括為與臨床上的相關性確定這樣的定量指標作為預后指示。
19.如權利要求17所述的方法，其特征在于包括選擇細胞或組織樣品。
20.一種對細胞或組織樣品進行分類的方法，其特征在于包括如下步驟a)用免疫化學標記處理樣品以對細胞增殖或其它生物學過程提供一種目視指征；b)根據每個物體具有與特定意義的物體相一致的屬性可能，按一定的次序對樣品中的單個物體排序；c)根據所述的排序選擇一組所述物體；以及d)對樣品的免疫化學染色以確定一種定量指標。
全文摘要
一種對樣品進行分類以呈現前惡性或惡性細胞的半自動化方法，它包括如下步驟用免疫化學標記處理樣品以對細胞增殖提供一種目視指征；根據每個物體具有與前惡性或惡性細胞或細胞群相一致的屬性的可能，按一定的次序對樣品中的單個物體排序；根據所述的排序選擇用于顯示的一組所述物體；以及顯示所選物體的圖象，便于操作員觀察。
文檔編號G01N33/574GK1140498SQ95191613
公開日1997年1月15日 申請日期1995年1月23日 優(yōu)先權日1994年2月14日
發(fā)明者馬克·R·魯藤貝格, 阿基琺·魯藤貝格, 蘭布雷希特·P·科克, 馬蒂爾德·E·汶, 勞里·J·曼戈 申請人:神經醫(yī)藥體系股份有限公司