▎药明康德/报道
近日，《自然》子刊《NatureBiomedicalEngineering》推出了“机器学习”特刊，为我们介绍了机器学习在医疗领域的广泛应用。我们今日也推出“机器学习”专题，将这些信息整理给读者。下面，让我们一起来看看人工智能结合受激拉曼散射（StimulatedRamanScattering，SRS）在脑肿瘤诊断及分类等领域的应用吧。
脑部肿瘤的诊断和治疗取决于许多因素，其包括临床发现、描绘肿瘤位置的神经成像研究和精确的神经病理学诊断。肿瘤样本的神经病理学术中诊断对于神经外科医生如何采用最佳的可能治疗策略具有关键意义。组织病理学诊断的传统方法所涉及的组织切片的样品制备一般因循已经建立起来的固定和染色方案。这种方法已经实践了几十年，并已在准确识别肿瘤组织时可获得良好结果。然而，这种方法是有局限性的：例如涉及术中肿瘤样品的大小，无论是采用针式活检还是核心取样，特别是当考虑脑肿瘤的表型异质性时，诊断能力都可能受到影响。此外，考虑到罕见脑肿瘤具有挑战性和很少被观察到的组织病理特征，它们很可能被错误分类。最后，肿瘤样品的处理在技术层面还可能引入假象。减少这些误差源头对准确肿瘤诊断最大化来说是非常关键的，并且理论上可以通过应用新鲜标本的术中诊断工具来实现，导致可靠的读出数据和较少的处理时间。
▲临床上使用的SRS显微镜（图片来源：《NatureBiomedicalEngineering》）
在这方面，受激拉曼散射（SRS）已经成为一种基于核苷酸、蛋白质和脂质光谱特性来精确区分不同组织特征的技术。SRS可用于依据DNA性质达到人类皮肤癌的快速诊断，并产生与传统的苏木精和曙红（H＆E）制剂相当的图像。此外，SRS图像的性质，例如蛋白质/脂质比、神经轴突密度和细胞数量可以用于识别脑组织中浸润性肿瘤细胞，精确度大于99％。现在，通过利用机器学习，DanielOrringer博士及其同事在《NatureBiomedicalEngineering》杂志中报告了首个使用SRS显微镜，用于快速产生脑肿瘤的诊断和亚分类的组织学图像。该方法被称为受激拉曼组织学（SRH），在手术室内使用一个特殊设计的SRS显微镜。
通常，两个拉曼位移（?cm-1和?cm-1）是SRS成像的基础。cm-1位移的图像突出显示组织切片中的脂质，并且从cm-1位移减去上述部分来显示蛋白质和核苷酸的结构。通过向图像分配两种不同的颜色，这些特征足以来提供肿瘤浸润和肿瘤边界的清晰图像。Orringer博士和同事使用了相反的伪着色来产生H＆E样图像，这对病理学家来说更加熟悉。
▲患者脑组织标本的受激拉曼组织学（SRH）和常规苏木精和伊红（H＆E）组织学的图像（图片来源：《自然》）
Orringer博士及其合作者使用SRH扫描了来自个神经外科患者的样品，特别注意了正常和肿瘤组织独特的细胞和形态学性质。检查正常脑实质组织学特征的参考组织取自颞叶切除术后的前颞叶。SRH显示许多独特的特征，包括轴突、脂褐素颗粒和巨噬细胞浸润，其有时可影响诊断。对于胶质瘤，SRH在低级和高级肿瘤之间显示出明显的差异，特别是在细胞程度、细胞核形状，微血管增殖和核周晕圈方面。SRH还可用于测定脑膜瘤和淋巴瘤等非神经胶质来源的组织。
众所周知，胶质瘤在组织病理学上是异质的，使得针对胶质瘤的单一小活检可能不足以提供用于诊断的清晰图片。在一个低级胶质瘤样本中，Orringer博士及其同事展示了具有高细胞质密度的弥漫性细胞的组织学模式，但也显示了超细胞性和显示间变性特征的有丝分裂活性细胞的领域。由于SRH的快速周转时间，该方法允许神经病理学家调查肿瘤的不同部分，以便获得不同细胞类型和细胞行为的更全面的视图。
考虑到组织病理学诊断的传统方法涉及冷冻组织切片的H＆E染色，Orringer博士和共同作者必须验证SRH产生的图像的质量与以前的方法相当，为神经病理学家提供类似而不是增强的信息。作者对由三个检查了SRH数据的神经病理学家进行的诊断进行定量分析。有趣的是，神经病理学家可以达到98％的准确度区分病变组织和非病变组织，以及来自非神经胶质肿瘤的胶质近乎％的准确度。此外，在预测最终诊断时，观察到的传统H＆E诊断方法和SRH之间有接近完美的一致性，高达92％的准确度。
由于易于使用和快速处理时间短至2.5分钟，SRH作为术中诊断工具有希望获得临床实施。得到针对新鲜组织实时反馈的优点，使得SRH在手术期间成为神经外科医生宝贵资产，并且可以帮助决定切除后患者的最佳治疗选择。使用术中拉曼探针的常规拉曼光谱允许在手术切除之前通过与组织接触对样品进行实时测量，以及用于可以与癌性或正常组织相关的光谱读数。在将来，结合SRS和基于探针的系统可以提供诊断信息并影响外科决策。尽管SRS和SRH的效用和安全性需要通过临床试验的验证，但显然拉曼光谱显示出了在神经外科中改善诊断和治疗功效的巨大潜力。
参考资料：
[1]Diagnosticimaging:Intraoperativevirtualhistology
[2]Rapidintraoperativehistologyofunprocessedsurgicalspecimensviafibre-laser-basedstimulatedRamanscatteringmicroscopy
赞赏