基于高光谱成像与人工智能的食管癌组织分类研究：开启无创精准诊断新纪元

　　本研究针对食管癌早期诊断及手术切缘评估的临床难题，创新性地采用高光谱成像（HSI）技术结合卷积神经网络（CNN），实现了对食管黏膜、胃黏膜和癌组织的精准区分。研究通过分析58例手术标本的光谱数据，发现癌组织在血红蛋白浓度、含水量及血氧饱和度等方面均存在显著差异，分类模型曲线下面积（AUC）达0.81±0.03，特异性达0.89±0.02，为食管癌的术中实时诊断提供了重要的技术支撑。

　　

食管癌作为全球第六大癌症死因和第七大常见癌症，其早期诊断和精准治疗一直是临床面临的重大挑战。尤其令人担忧的是，由于症状出现较晚且早期即可发生淋巴转移，多数患者确诊时已处于晚期阶段。目前的金标准——胃镜检查结合活检——虽然有效，但属于侵入性操作，存在一定风险，且容易遗漏微小病变。更棘手的是，在手术过程中，如何快速、准确地评估肿瘤范围和确定切缘是否干净，直接关系到患者的预后和生存质量。

正是在这样的背景下，一种名为高光谱成像（Hyperspectral Imaging, HSI）的新技术进入了研究者的视野。它无需接触组织、无需注射造影剂，仅通过分析组织反射的光谱信息，就能无创地获取其生理生化特性，仿佛给医生戴上了一副能够看穿组织“本质”的超级眼镜。此前，HSI技术已在结直肠癌、乳腺癌、头颈癌等多种肿瘤的检测中展现出巨大潜力，但在食管癌领域，尤其是针对腔内组织的原位研究仍属空白。

为了探索HSI在食管及食管胃结合部（Esophagogastric Junction, EGJ）癌肿诊断中的应用价值，由Marianne Maktabi和Claudia Hain共同领导的研究团队开展了一项开创性的临床研究。他们的成果论文发表在《International Journal of Computer Assisted Radiology and Surgery》上，为食管癌的术中智能诊断提供了新的解决方案。

研究人员利用德国迪亚斯pektive Vision公司的高光谱相机系统，对58例食管癌或EGJ癌手术切除标本的黏膜面进行了离体成像，获取了包含100个光谱通道（500-1000 nm）的高光谱数据立方体（hypercubes）。在数据预处理阶段，他们采用中值滤波和标准正态变量（SNV）归一化对光谱数据进行平滑和标准化，并基于Holmer等人的方法计算了组织氧饱和度（StO₂）、近红外灌注指数（NIR-PI）、组织水指数（TWI）和器官血红蛋白指数（OHI）等关键生理参数。为完成组织分类任务，团队构建并测试了两种不同的卷积神经网络模型：一种混合3D-1D-CNN和一种基于Inception模块的多尺度patch分类模型。通过留一交叉验证和贝叶斯优化超参数调优，最终评估了模型在区分健康食管黏膜、健康胃黏膜和癌组织这三类上的性能。

研究结果

1. 光谱特征与生理参数分析

通过比较三类组织的光谱曲线（图1），研究发现癌组织在520-1000 nm波段内具有独特的光谱特征。特别是在970 nm附近的水吸收区以及500-600 nm和750-800 nm的血红蛋白特征吸收区，癌组织与健康组织之间存在明显差异。对计算出的生理参数进行统计分析进一步证实，与健康组织相比，癌组织表现出显著更高的组织水含量（TWI）、氧合血红蛋白水平、组织氧饱和度（StO₂）和近红外灌注指数（NIR-PI）。此外，研究还发现晚期肿瘤（T3/T4期）其癌组织及周边健康组织中的水含量，也显著高于早期肿瘤（T1/T2期）。

2. 组织分类性能

采用混合3D-1D-CNN模型并以3×3像素块作为输入时，取得了最佳的分类性能（表2）。该模型在所有三类组织上取得的平均曲线下面积（AUC）为0.81±0.03，平均灵敏度为0.74±0.08，平均特异性为0.89±0.02。从各类别来看，健康食管组织的分类效果最好（灵敏度0.81，特异性0.88），而癌组织的分类挑战最大，其F1分数仅为0.48±0.33，马修斯相关系数（MCC）为0.44±0.34。图2的受试者工作特征（ROC）曲线直观展示了模型在不同阈值下的分类效能。

3. 分类结果可视化

通过对预测结果进行像素级可视化（图3），研究直观地展示了模型的优势与不足。在部分病例中，模型能较好地识别出癌变区域（图3A），但也存在将胃黏膜误判为食管组织（图3B），或无法完整检测出癌组织区域的情况（图3C）。这反映了当前模型在面对类间差异小、数据分布不平衡及肿瘤异质性时的挑战。

结论与讨论

本研究成功地证明了高光谱成像（HSI）技术结合人工智能在离体条件下区分食管、胃的健康黏膜与癌组织的巨大潜力。其科学意义在于：首先，从病理生理学角度证实了食管癌组织存在明显的血管生成（Angiogenesis）和水肿特征，这与肿瘤新生血管形成（VEGF介导）及周边炎症反应的理论相符；其次，在技术上验证了基于深度学习的高光谱分析框架用于多类别组织分类的可行性，为后续开发实时术中辅助系统奠定了算法基础。

然而，研究也存在一些局限性。最主要的挑战来自于数据集本身：三类组织样本量严重不平衡（癌组织光谱数远少于健康组织），且患者群体在肿瘤类型（以腺癌为主）、新辅助治疗（86%患者接受过治疗）等方面分布不均，这直接导致了模型对癌组织识别性能的不稳定和高方差。此外，当前研究是在离体手术标本上进行的，要真正应用于腔内活体诊断，还需解决体内成像的运动伪影、光线干扰以及开发集成HSI的柔性内镜系统等问题。

尽管面临挑战，这项研究无疑为食管癌的精准外科诊疗开辟了一条充满希望的新路径。研究者指出，未来的工作重点应包括：采用先进的数据增强（Data Augmentation）技术平衡数据集；探索超像素（Superpixel）等更优的特征提取方法；开展多中心临床研究以验证模型的普适性；并最终推动HSI硬件与内窥镜的集成，实现从离体到在体的技术跨越。展望未来，高光谱成像辅助的智能诊断有望成为外科医生手中的“第三只眼”，让肿瘤在手术中无处遁形，最终提升食管癌患者的生存预后。