美国纽约大学朗格尼医学中心神经外科的Todd C. Hollon等采用受激拉曼组织学技术联合无标签光学成像和深度卷积神经网络进行术中实时脑肿瘤诊断。结果发表在2020年1月的《Nature Medicine》上。

——摘自文章章节

快速而精准的组织病理学诊断对于脑肿瘤的治疗至关重要。现有的术中快速冰冻切片检查准确性低，常规病理检测周期长。美国纽约大学朗格尼医学中心神经外科的Todd C. Hollon等采用受激拉曼组织学（stimulated Raman histology，SRH）技术联合无标签光学成像和深度卷积神经网络（deep convolutional neural networks，CNNs）进行术中实时脑肿瘤诊断。结果发表在2020年1月的《Nature Medicine》上。

SRH是一种光学成像技术，该技术通过受激拉曼散射显微镜，收集散乱的激光，使未经处理的生物组织快速生成亚微米级像素、高度模拟传统染色病理切片的新图像，并利用脂质、蛋白质和核酸固有的振动特性产生图像对比度，能发现传统的苏木精和伊红染色图像难以辨别的微观特征和组织学特点，同时消除冰冻或涂片组织制备中的固有伪影。

该研究将415例患者的250万SRH图像进行CNNs训练，并将脑肿瘤病理组织分成13种常见类型，包括胶质瘤、淋巴瘤、转移瘤和脑膜瘤等，然后创建相关推理算法。术中诊断过程为3个步骤：图像采集、图像处理以及术中诊断预测（图1）。

图1. SRH+CNN组织病理学诊断与常规HE法诊断流程比较。左图：SRH+CNNs术中工作流程；a.新鲜标本装入SRH成像仪进行图像采集；B.图像处理；C.术中诊断预测。右图：常规HE法诊断流程。

基于对深度学习算法的验证，研究者开展双臂、前瞻性、多中心和非劣效性临床试验（图2）。共收集278例新鲜的脑肿瘤标本，术中随机分配到对照组或实验组。对照组的标本通过常规冷冻切片和细胞涂片技术进行检测，由病理学医师读片诊断；实验组的标本采用SRH成像技术，通过CNNs预测诊断。临床研究主要终点指标是综合最终诊断的准确率。最终结果显示，对照组总体诊断准确率为93.9%（261/278），而实验组总体诊断准确率为94.6%（264/278），超过非劣效性试验的主要终点阈值（＞91%）。

图2. 比较SRH+CNNs组织病理学诊断方法与常规HE诊断方法的前瞻性临床试验。a.三个医疗中心按降序法绘制标注数据的预测概率，并进行正确（绿色）或错误（红色）分类；b.对照组和实验组的多分类混淆矩阵。

该研究显示，CNNs经过250多万个SRH图像训练后，判断术中脑肿瘤的病理类型速度为150秒，快于传统病理诊断技术的20-30分钟。278例的临床试验显示，基于CNNs的SRH图像诊断比常规病理学图像的诊断准确率高，并且人工智能模型可通过语义分割方法识别和区分SRH图像中的肿瘤区、肿瘤浸润区、非肿瘤正常组织区或未诊断区（图3）。

图3. 通过语义分割方法识别SRH图像中的肿瘤区和浸润区。a.确诊为胶质母细胞瘤（WHO IV级）患者的脑-肿瘤界面标本的完整SRH图像；b.标本左侧可见核异质性明显的弥漫性胶质细胞瘤，标本右侧则可见瘤周反应性星形胶质细胞；未处理的新鲜标本的SRH图像既保留细胞学特征，又保留组织结构特征，可以识别肿瘤边缘；c.卷积神经网络接收红绿蓝三通道的SRH图像，供外科医生和病理医师的术中判别；d.相关肿瘤类别的诊断率；e.使用标注数据分割显示，SRH图像中肿瘤区（IOU=0.869）、非肿瘤区域（IOU=0.738）和未诊断区（IOU=0.400）的概率热图。使用CNNs语义分割法可很好地判断脑肿瘤边界，并在手术室用来识别诊断区、残余肿瘤区和肿瘤边界。

作者认为，结合SRH+CNNs的快速而精准的组织病理学诊断技术，可为外科医生术中实时、精确地提供组织神经病理学诊断，可提高脑肿瘤切除率和保障安全性，是独立于传统病理学诊断的优质互补技术。