應(yīng)用方向：高光譜成像技術(shù)能夠同時獲取組織的空間結(jié)構(gòu)與連續(xù)窄帶光譜信息，揭示傳統(tǒng)影像難以捕捉的微觀生化差異。本研究證明，HSI 可在無染色條件下以 95% 的準(zhǔn)確率區(qū)分肝細(xì)胞癌與肝內(nèi)膽管癌，顯示其在醫(yī)學(xué)診斷中的重要潛力。基于此，高光譜成像未來可廣泛應(yīng)用于腫瘤精細(xì)分型與早期篩查、術(shù)中快速診斷與切緣判斷、病理切片的數(shù)字化與智能分類、組織微環(huán)境與代謝狀態(tài)分析等方向。HSI 有望成為推動精準(zhǔn)醫(yī)療和智能病理診斷的重要新型成像技術(shù)。

背景：

原發(fā)性肝癌是全*第六大常見惡性腫瘤、第三大致死性癌癥，其中肝細(xì)胞癌（HCC）與肝內(nèi)膽管癌（ICC）占比高達95%。兩者雖來源不同（肝細(xì)胞與膽管上皮細(xì)胞），但在影像學(xué)與臨床表現(xiàn)上極為相似，給病理分型帶來巨大挑戰(zhàn)?，F(xiàn)有的CT、MRI等影像技術(shù)在區(qū)分兩種腫瘤時準(zhǔn)確率有限，而血清標(biāo)志物（AFP、CA19-9）亦因靈敏度與特異性不足，無法實現(xiàn)可靠區(qū)分。

隨著人工智能與深度學(xué)習(xí)技術(shù)的發(fā)展，基于放射組學(xué)與病理圖像的智能診斷模型已被提出，但受限于傳統(tǒng)影像的低光譜分辨率，難以捕捉組織在分子層面的微弱差異。相比之下，高光譜成像（HSI）具有納米級光譜分辨率，能在可見–近紅外波段內(nèi)獲取數(shù)百個連續(xù)窄帶，揭示組織的精細(xì)光學(xué)特性。因此，該研究以高光譜成像為核心，結(jié)合強化學(xué)習(xí)與三維卷積神經(jīng)網(wǎng)絡(luò)，旨在實現(xiàn)肝細(xì)胞癌與肝內(nèi)膽管癌的快速、準(zhǔn)確、無*區(qū)分，為術(shù)中實時病理診斷提供智能化解決方案。

作者信息：李瑋，山東大學(xué)控制科學(xué)與工程學(xué)院

期刊來源：Journal of Biophotonics

研究內(nèi)容

本研究圍繞肝細(xì)胞癌（HCC）與肝內(nèi)膽管癌（ICC）的快速、精準(zhǔn)分型診斷，提出了一套融合HSI、強化學(xué)習(xí)和三維深度神經(jīng)網(wǎng)絡(luò)的智能診斷方法。研究首先構(gòu)建了覆蓋 400–1000 nm 的臨床高光譜肝腫瘤數(shù)據(jù)庫，對131份組織樣本進行光譜采集與預(yù)處理；隨后利用近端策略優(yōu)化（PPO）的強化學(xué)習(xí)算法進行光譜波段智能選擇，以壓縮高維光譜中的冗余信息并保留*具判別力的特征；最終將所選特征輸入融合通道注意力與空間注意力機制的 3D-ResNet 網(wǎng)絡(luò)，實現(xiàn)對 HCC 與 ICC 的自動分類。研究目的在于突破術(shù)中冰凍切片診斷耗時、依賴經(jīng)驗強、準(zhǔn)確率有限的局限，探索一種可在術(shù)中快速提供可靠組織學(xué)判斷的新路徑，為精準(zhǔn)肝癌手術(shù)決策提供高效、客觀的技術(shù)支撐。

實驗設(shè)計

本研究的肝腫瘤樣本在山東大學(xué)齊魯醫(yī)院病理科隨機獲取。共有 131 個樣本納入本研究（其中 68 例為 HCC，63 例為 ICC）。在 20× 顯微物鏡下采集了多個互不重疊的視野（FOV），以實現(xiàn)適度的空間過采樣，同時在測試集中保持患者級別的獨立性。

本研究所使用的顯微高光譜成像系統(tǒng)由 GaiaMicro 和雙利合譜光譜成像模塊組成。系統(tǒng)主要由推掃式高光譜相機、氙燈光源和顯微鏡單元構(gòu)成。實驗采用的 GaiaField 系統(tǒng)集成了一套基于光柵光譜儀模塊的高精度高光譜（HSI）傳感器，并以推掃方式進行數(shù)據(jù)采集。該配置能夠?qū)崟r獲取視場中單條空間線的光譜數(shù)據(jù)，并重建為完整的高光譜數(shù)據(jù)立方體。光譜儀采用光柵色散機制，其狹縫尺寸為 30 μm × 9.6 mm（寬 × 長）。

研究方法

為解決肝臟腫瘤術(shù)中精準(zhǔn)分型的臨床難題，本研究提出了一種融合HSI與深度強化學(xué)習(xí)的全新診斷框架，旨在克服傳統(tǒng)方法在光譜特征利用效率和診斷特異性方面的不足。

該模型由兩個主要部分組成。首先，采用基于強化學(xué)習(xí)的波段選擇方法對高度冗余的高光譜數(shù)據(jù)進行降維，將其轉(zhuǎn)換為更適合深度學(xué)習(xí)網(wǎng)絡(luò)計算的低維表示。隨后，降維后的數(shù)據(jù)被輸入到融合了通道注意力和空間注意力機制的、基于ResNet18的模型中，以生成最終的分類結(jié)果（圖 1）。

具體而言，在波段選擇階段，通過將光譜維度建模為馬爾可夫決策過程（MDP），引入近端策略優(yōu)化（PPO）強化學(xué)習(xí)算法，并結(jié)合隨機掩膜預(yù)訓(xùn)練的 RewardNet 評價網(wǎng)絡(luò)，實現(xiàn)高維光譜中冗余波段的自動壓縮與*優(yōu)特征子集的選擇（圖2）。在分類階段，研究提出了融合注意力機制的三維殘差神經(jīng)網(wǎng)絡(luò)（3D-ResNet）網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合五級三維卷積模塊與 SE 通道注意力，對經(jīng)過降維的高光譜數(shù)據(jù)進行深度空間–光譜特征提取與分類。

圖1  研究流程圖。(a) 高光譜圖像采集；(b) 波段選擇的強化學(xué)習(xí)優(yōu)化過程；(c) 對精選波段后的高光譜圖像進行判別分類。

圖2  基于近端優(yōu)化策略的強化學(xué)習(xí)高光譜波段選擇算法

結(jié)果

圖3展示了HSI獲取的HCC與ICC組織平均光譜反射率曲線。如圖所示，兩者在多個波段差異顯著，尤其在550 nm和600 nm附近出現(xiàn)明顯反射谷。HCC整體反射率低于ICC，光譜差異為使用高光譜數(shù)據(jù)進行腫瘤分類提供了有價值的基礎(chǔ)，并突出了HSI在表征肝內(nèi)腫瘤異質(zhì)性方面的潛力。

圖3  HCC與ICC光譜曲線對比

為驗證所提出方法的有效性和優(yōu)*性，本研究將其與多種主流的傳統(tǒng)波段選擇方法進行了對比實驗。這些對比方法包括隨機蛙跳算法（RFA）和逐步投影算法（SPA），以及近年來在遙感領(lǐng)域廣泛應(yīng)用的 DSEBS和 OCF方法。由于高光譜數(shù)據(jù)本質(zhì)上具有三維結(jié)構(gòu)，若直接將完整數(shù)據(jù)輸入模型會帶來巨大的計算負(fù)擔(dān)，因此本研究采用各方法選取后的波段數(shù)據(jù)作為模型輸入進行比較。作者使用 3D-ResNet18 分類器，從準(zhǔn)確率、精確率、召回率、F1 分?jǐn)?shù)、AUC 和 MCC 等多個指標(biāo)全面評估各波段選擇方法的性能。

實驗結(jié)果顯示，本研究提出的基于強化學(xué)習(xí)的波段選擇算法在區(qū)分 HCC 與 ICC 的所有性能指標(biāo)上均優(yōu)于其他方法，充分驗證了該方法的優(yōu)*性（見圖4）。

圖4 混淆矩陣與ROC曲線（類別0：肝細(xì)胞癌HCC；類別1：肝內(nèi)膽管癌ICC）

結(jié)論

本研究創(chuàng)新性地提出一種融合HSI、強化學(xué)習(xí)與深度學(xué)習(xí)的肝臟病理切片快速術(shù)中分類方法。通過 PPO 強化學(xué)習(xí)算法，從高維高光譜數(shù)據(jù)中高效提取與診斷相關(guān)的波段信息。實驗結(jié)果顯示，所提模型平均分類準(zhǔn)確率達 95%，優(yōu)于現(xiàn)有主流波段選擇方法。研究證實，HSI 與*進強化學(xué)習(xí)、深度學(xué)習(xí)模型的融合，不僅提供了豐富的光譜信息，還顯著提升了肝臟腫瘤診斷的一致性與精準(zhǔn)性。該技術(shù)突破為HCC與ICC的精準(zhǔn)診療開辟了新路徑，其強大的特征提取能力有望推動個體化醫(yī)療發(fā)展，使臨床醫(yī)生能夠根據(jù)患者個體病理特征制定個性化治療方案，為術(shù)中病理診斷的智能化發(fā)展提供了關(guān)鍵技術(shù)支撐，具有重要的臨床應(yīng)用價值。