背景：

結(jié)直腸癌是全球范圍內(nèi)導(dǎo)致癌癥死亡的**大原因，其防控關(guān)鍵在于早期發(fā)現(xiàn)和切除癌前病變——結(jié)腸直腸息肉。目前，結(jié)腸鏡檢查被認(rèn)為是預(yù)防晚期結(jié)直腸癌、降低死亡率的優(yōu)選方法。然而，在實際檢查中，大多數(shù)發(fā)現(xiàn)的息肉體積較?。ㄖ睆?–9 mm）或極?。?–5 mm），其中具備**病理特征或癌變潛能的比例極低。傳統(tǒng)做法是對所有息肉進行切除并行病理檢測，但這種方式增加了成本與工作負(fù)擔(dān)。為此，提出了基于光學(xué)診斷的“切除并丟棄”策略，即利用高精度內(nèi)鏡成像技術(shù)，在內(nèi)鏡下準(zhǔn)確判斷息肉性質(zhì)，從而省去部分病理檢測。

然而，現(xiàn)有的光學(xué)診斷技術(shù)（如窄帶成像 NBI、藍(lán)光成像 BLI 等）在臨床實踐中仍存在局限：準(zhǔn)確性依賴經(jīng)驗豐富的內(nèi)鏡醫(yī)師，初學(xué)者診斷一致性差；同時，人工智能雖已用于輔助息肉識別，但受限于特異性不足、模型可解釋性差及訓(xùn)練數(shù)據(jù)異質(zhì)性大等問題，其推廣仍受阻。

為克服上述困難，本研究引入了高光譜成像技術(shù)。該技術(shù)將數(shù)字成像與光譜分析相結(jié)合，可在每個像素層面同時捕獲組織的形態(tài)與光譜特征，獲取反映組織生化組成和病理變化的豐富光譜信息。與傳統(tǒng)RGB影像相比，高光譜圖像能揭示肉眼不可見的組織差異，為組織學(xué)性質(zhì)識別和病理分級提供新的依據(jù)。

作者信息：彭程，山東大學(xué)齊魯醫(yī)院

期刊來源：Cancer Medicine

研究內(nèi)容

本研究旨在開發(fā)并驗證一種基于高光譜成像與深度學(xué)習(xí)（殘差網(wǎng)絡(luò)、遷移學(xué)習(xí)）的結(jié)直腸息肉組織分類算法，用于在內(nèi)鏡檢查中快速區(qū)分腫瘤性與非腫瘤*息肉，從而推動人工智能輔助的“切除并丟棄”策略落地，提升診斷準(zhǔn)確率并降低醫(yī)療成本。

實驗設(shè)計

結(jié)腸鏡操作過程中，所有息肉首先采用冷圈套器切除（CSP）；對于直徑 ≤ 3 mm、CSP 技術(shù)難度較大的微小病灶，則以活檢鉗完整鉗除。本研究僅納入息肉＜1 cm 的新鮮黏膜標(biāo)本；為使模型習(xí)得更高階的病理特征，另同步采集進展期腫瘤活檢。息肉或病灶一經(jīng)切除/鉗取，立即按標(biāo)準(zhǔn)化操作以高光譜（HS）相機成像，簡要流程見圖 1A。

高光譜成像數(shù)據(jù)采集使用的是雙利合譜的GaiaMicro-V10 E-HR設(shè)備，其包括GaiaMicro系列高光譜相機、顯微鏡、校準(zhǔn)白板、系統(tǒng)保持器和顯微鏡物鏡。Gaia Micro系列包含內(nèi)置推掃式高光譜相機，可推動空間以獲得高光譜數(shù)據(jù)立方體。以1101行的空間大小收集圖像，產(chǎn)生960×1101×360（行數(shù)×行數(shù)×波段數(shù)）。

所有結(jié)直腸息肉樣本均經(jīng)福爾馬林固定、石蠟包埋后切片，并用H&E染色。兩名具有豐富經(jīng)驗的病理學(xué)專家依據(jù)世界衛(wèi)生組織結(jié)直腸腫瘤分類標(biāo)準(zhǔn)獨立閱片并給出*終診斷。依據(jù)美國多學(xué)會結(jié)直腸癌工作組的共識，樣本被分為非腫瘤性病變與腫瘤性病變兩大類，其中腫瘤性病變進一步細(xì)分為非進展性腺瘤和進展性腫瘤。

研究方法

為平衡不同組織學(xué)標(biāo)簽的樣本數(shù)量，我們針對每個類別實施數(shù)據(jù)增強：對每例樣本隨機選取多個視野的高光譜圖像進行擴增。針對高光譜數(shù)據(jù)維度高、計算量大的難題，我們從原始高光譜立方體中提取光譜與空間信息，重構(gòu)為二維（2D）圖像；圖 1B 直觀展示了一維光譜與 2D 圖像的對應(yīng)關(guān)系。每張 HS 圖像經(jīng)降維后可生成 900 張 2D 圖像。

該研究基于二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN）訓(xùn)練模型，用于實現(xiàn)結(jié)直腸病變圖像的自動分類。該網(wǎng)絡(luò)能夠同時結(jié)合樣本的光譜信息與空間信息，對組織特征進行綜合分析。為了克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)層數(shù)加深時容易出現(xiàn)的梯度消失與網(wǎng)絡(luò)退化問題，并進一步提升模型性能，研究中采用了殘差網(wǎng)絡(luò)（ResNet）結(jié)構(gòu)。是一種通過對現(xiàn)有模型參數(shù)進行微調(diào)，使其適應(yīng)新任務(wù)或新數(shù)據(jù)特征的方法。在本研究中，研究者采用遷移學(xué)習(xí)策略，將預(yù)訓(xùn)練的ResNet 模型參數(shù)作為初始權(quán)重進行加載，然后在模型末端添加全連接層，并重新建立網(wǎng)絡(luò)的所有層結(jié)構(gòu)，以增強模型對不同病理類型結(jié)直腸息肉的識別能力（如圖1B所示）。

圖1 實驗設(shè)計與工作流程 (A) 結(jié)腸鏡檢查中對新鮮息肉組織進行原位高光譜成像與光譜分析示意圖。(B) 高光譜立方體的光譜-空間特性、立方體向二維圖像的轉(zhuǎn)換，以及殘差神經(jīng)網(wǎng)絡(luò)模型架構(gòu)示意。(C) 白光內(nèi)鏡圖像與 HSI-AI 輔助診斷兩周后內(nèi)鏡醫(yī)師光學(xué)診斷能力評估。

為評估內(nèi)鏡醫(yī)師對小及微小結(jié)直腸息肉的診斷能力，研究邀請了 4 名**內(nèi)鏡醫(yī)師（累計 > 2 000 例篩查結(jié)腸鏡）與 6 名初級內(nèi)鏡醫(yī)師（累計 200–400 例）參與測試。測試采用問卷形式，基于測試集中病灶的白光內(nèi)鏡圖像進行判斷。為評價初級內(nèi)鏡醫(yī)師和專家內(nèi)鏡醫(yī)師的輔助診斷效率，分別對影像進行兩次復(fù)查，首先對內(nèi)鏡醫(yī)師進行獨立測試，然后在內(nèi)鏡醫(yī)師做出*終診斷前告知HSI-AI模型的預(yù)測結(jié)果，稱為HSI-AI輔助診斷測試，兩次測試間隔2周的清洗期，并對*終結(jié)果進行比較。

通過混淆矩陣（confusion matrix）評估模型的診斷性能。準(zhǔn)確率（Accuracy）表示分類模型在所有觀測樣本中正確分類的比例。為**評價模型性能，還計算了靈敏度（sensitivity）、特異性（specificity）、陽性預(yù)測值（PPV）、陰性預(yù)測值（NPV），并通過受試者工作特征曲線（ROC curve）及其曲線下面積（AUC）來反映模型的整體診斷能力。次要評價指標(biāo)包括初級與專家內(nèi)鏡醫(yī)師的診斷表現(xiàn)，以及高光譜人工智能（HSI-AI）模型對其診斷的輔助效率。所有內(nèi)鏡醫(yī)師的診斷指標(biāo)均以中位數(shù)（median）與四分位距（IQR）表示。采用Mann–Whitney U 檢驗比較獨立診斷與 HSI-AI 輔助診斷間的差異，雙側(cè) p 值小于 0.05 被認(rèn)為具有統(tǒng)計學(xué)意義。

結(jié)果

共納入 73 名患者的 94 份組織樣本（其中 64 份來自息肉切除術(shù)，30 份來自活檢）。病理評估結(jié)果顯示：53 份樣本為低級別異型增生的管狀腺瘤（非進展性腺瘤，NAA），28 份為非腫瘤*息肉（NNP），13 份為進展性腫瘤（AN），包括 6 例**別異型增生的管狀腺瘤、3 例絨毛狀腺瘤及 4 例腺癌。通過數(shù)據(jù)增強后，共從 161 張高光譜圖像中生成 144,900 張二維圖像，按 6:3:1 的比例劃分為訓(xùn)練集、測試集與驗證集。

通過比較不同組織類型的典型光譜曲線，發(fā)現(xiàn)三類組織（NNP、NAA、AN）在波長 406.9–662.1 nm 范圍內(nèi)的光譜形狀與峰值大小存在明顯差異。結(jié)果顯示，在波長 575 nm 處，三類組織的反射率差異具有高度統(tǒng)計學(xué)意義（p < 0.001），說明高光譜成像可有效區(qū)分不同組織病理類型。

為驗證數(shù)據(jù)的可靠性并探究二維圖像數(shù)據(jù)的相關(guān)性，研究進行了兩組模型實驗。在**組模型中，研究者將二維圖像隨機打亂后進行訓(xùn)練，不考慮樣本間的個體差異。結(jié)果顯示，該模型在各組中均取得較高準(zhǔn)確率，訓(xùn)練集和測試集的 AUC 分別為 0.97 與 0.96，說明同一樣本不同區(qū)域的光譜圖像之間具有良好的相關(guān)性與一致性（圖 2A）。

圖2 基于高光譜影像的殘差神經(jīng)網(wǎng)絡(luò)自動診斷 (A, B) 神經(jīng)網(wǎng)絡(luò)在非腫瘤息肉 / 非進展期腺瘤 / 進展期腫瘤三分類任務(wù)中的訓(xùn)練、驗證及測試結(jié)果。(C, D) 多種神經(jīng)網(wǎng)絡(luò)模型在自動分類任務(wù)中的性能對比。

在**組模型中，研究者以獨立患者為單位進行驗證，將數(shù)據(jù)按樣本分組后分別打亂并生成二維圖像。若同一樣本生成的二維圖像中有超過 80% 被正確分類，則該樣本判定為預(yù)測正確。模型對三類組織（NNP、NAA、AN）的分類結(jié)果表現(xiàn)優(yōu)異，整體準(zhǔn)確率達(dá) 95.8%，平均 AUC 為 0.97。其中，針對腫瘤性病變（包括 NAA 和 AN）的預(yù)測靈敏度為 99.0%，特異性為 96.0%，顯示出該模型在識別腫瘤性與非腫瘤*息肉方面具有極高的診斷潛力。

研究通過評估白光內(nèi)鏡圖像的診斷表現(xiàn)，比較了AI輔助前后內(nèi)鏡醫(yī)師在區(qū)分腫瘤性與非腫瘤*息肉方面的差異。在獨立診斷階段，經(jīng)驗豐富的專家內(nèi)鏡醫(yī)師對腫瘤*息肉的中位單圖像診斷準(zhǔn)確率為 91.1%，而初級醫(yī)師僅為 71.4%。在測試集中，HSI-AI模型對每個腫瘤*息肉均進行了分類，僅有一例非進展性腺瘤（NAA）被誤判為進展性腫瘤（AN）。在 HSIAI 模型的輔助下，初級內(nèi)鏡醫(yī)師的總體中位準(zhǔn)確率提升至 94.7%，已接近**醫(yī)師水平。自身對照顯示，初級組在 AI 輔助前后的診斷表現(xiàn)差異顯著（p＜0.01），而**組則無統(tǒng)計學(xué)差異（p＝0.63）。就陰性預(yù)測值（NPV）而言，多名初級醫(yī)師在 AI 輔助后均超過 90%，符合 PIVI“切除-丟棄”策略要求；初級組整體中位 NPV 由 50.0% 躍升至 88.2%（p＝0.013）。其余診斷指標(biāo)亦獲得**改善，初級醫(yī)師具體數(shù)據(jù)見圖 3。

圖3 初級內(nèi)鏡醫(yī)師在白光內(nèi)鏡圖像下，未借助（左）與借助（右）HSI-AI 輔助時，對腫瘤性與非腫瘤*結(jié)直腸息肉的診斷性能對比

結(jié)論

本研究證實利用高光譜成像（HSI）可在新鮮結(jié)腸組織上對結(jié)直腸息肉實現(xiàn)腺瘤與非腺瘤的高精度區(qū)分，并進一步識別進展期腫瘤。該工具顯著提升了初級內(nèi)鏡醫(yī)師的診斷水平，展現(xiàn)了 AI 輔助診斷與結(jié)腸鏡實時同步的潛力。