显微高光谱成像系统在医学诊断中的应用

应用方向：高光谱成像技术能够同时获取组织的空间结构与连续窄带光谱信息，揭示传统影像难以捕捉的微观生化差异。本研究证明，HSI 可在无染色条件下以 95% 的准确率区分肝细胞癌与肝内胆管癌，显示其在医学诊断中的重要潜力。基于此，高光谱成像未来可广泛应用于肿瘤精细分型与早期筛查、术中快速诊断与切缘判断、病理切片的数字化与智能分类、组织微环境与代谢状态分析等方向。HSI 有望成为推动精准医疗和智能病理诊断的重要新型成像技术。

背景：

原发性肝癌是全球第六大常见恶性肿瘤、第三大致死性癌症，其中肝细胞癌（HCC）与肝内胆管癌（ICC）占比高达95%。两者虽来源不同（肝细胞与胆管上皮细胞），但在影像学与临床表现上极为相似，给病理分型带来巨大挑战。现有的CT、MRI等影像技术在区分两种肿瘤时准确率有限，而血清标志物（AFP、CA19-9）亦因灵敏度与特异性不足，无法实现可靠区分。

随着人工智能与深度学习技术的发展，基于放射组学与病理图像的智能诊断模型已被提出，但受限于传统影像的低光谱分辨率，难以捕捉组织在分子层面的微弱差异。相比之下，高光谱成像（HSI）具有纳米级光谱分辨率，能在可见–近红外波段内获取数百个连续窄带，揭示组织的精细光学特性。因此，该研究以高光谱成像为核心，结合强化学习与三维卷积神经网络，旨在实现肝细胞癌与肝内胆管癌的快速、准确、无创区分，为术中实时病理诊断提供智能化解决方案。

作者信息：李玮，山东大学控制科学与工程学院

期刊来源：Journal of Biophotonics

研究内容

本研究围绕肝细胞癌（HCC）与肝内胆管癌（ICC）的快速、精准分型诊断，提出了一套融合HSI、强化学习和三维深度神经网络的智能诊断方法。研究首先构建了覆盖 400–1000 nm 的临床高光谱肝肿瘤数据库，对131份组织样本进行光谱采集与预处理；随后利用近端策略优化（PPO）的强化学习算法进行光谱波段智能选择，以压缩高维光谱中的冗余信息并保留*具判别力的特征；*终将所选特征输入融合通道注意力与空间注意力机制的 3D-ResNet 网络，实现对 HCC 与 ICC 的自动分类。研究目的在于突破术中冰冻切片诊断耗时、依赖经验强、准确率有限的局限，探索一种可在术中快速提供可靠组织学判断的新路径，为精准肝癌手术决策提供高效、客观的技术支撑。

实验设计

本研究的肝肿瘤样本在山东大学齐鲁医院病理科随机获取。共有 131 个样本纳入本研究（其中 68 例为 HCC，63 例为 ICC）。在 20× 显微物镜下采集了多个互不重叠的视野（FOV），以实现适度的空间过采样，同时在测试集中保持患者级别的独立性。

本研究所使用的显微高光谱成像系统由 GaiaMicro 和双利合谱光谱成像模块组成。系统主要由推扫式高光谱相机、氙灯光源和显微镜单元构成。实验采用的 GaiaField 系统集成了一套基于光栅光谱仪模块的高精度高光谱（HSI）传感器，并以推扫方式进行数据采集。该配置能够实时获取视场中单条空间线的光谱数据，并重建为完整的高光谱数据立方体。光谱仪采用光栅色散机制，其狭缝尺寸为 30 μm × 9.6 mm（宽 × 长）。

研究方法

为解决肝脏肿瘤术中精准分型的临床难题，本研究提出了一种融合HSI与深度强化学习的全新诊断框架，旨在克服传统方法在光谱特征利用效率和诊断特异性方面的不足。

该模型由两个主要部分组成。首先，采用基于强化学习的波段选择方法对高度冗余的高光谱数据进行降维，将其转换为更适合深度学习网络计算的低维表示。随后，降维后的数据被输入到融合了通道注意力和空间注意力机制的、基于ResNet18的模型中，以生成*终的分类结果（图 1）。

具体而言，在波段选择阶段，通过将光谱维度建模为马尔可夫决策过程（MDP），引入近端策略优化（PPO）强化学习算法，并结合随机掩膜预训练的 RewardNet 评价网络，实现高维光谱中冗余波段的自动压缩与*优特征子集的选择（图2）。在分类阶段，研究提出了融合注意力机制的三维残差神经网络（3D-ResNet）网络结构，结合五级三维卷积模块与 SE 通道注意力，对经过降维的高光谱数据进行深度空间–光谱特征提取与分类。

图1  研究流程图。(a) 高光谱图像采集；(b) 波段选择的强化学习优化过程；(c) 对精选波段后的高光谱图像进行判别分类。

图2  基于近端优化策略的强化学习高光谱波段选择算法

结果

图3展示了HSI获取的HCC与ICC组织平均光谱反射率曲线。如图所示，两者在多个波段差异显著，尤其在550 nm和600 nm附近出现明显反射谷。HCC整体反射率低于ICC，光谱差异为使用高光谱数据进行肿瘤分类提供了有价值的基础，并突出了HSI在表征肝内肿瘤异质性方面的潜力。

图3  HCC与ICC光谱曲线对比

为验证所提出方法的有效性和优越性，本研究将其与多种主流的传统波段选择方法进行了对比实验。这些对比方法包括随机蛙跳算法（RFA）和逐步投影算法（SPA），以及近年来在遥感领域广泛应用的 DSEBS和 OCF方法。由于高光谱数据本质上具有三维结构，若直接将完整数据输入模型会带来巨大的计算负担，因此本研究采用各方法选取后的波段数据作为模型输入进行比较。作者使用 3D-ResNet18 分类器，从准确率、**率、召回率、F1 分数、AUC 和 MCC 等多个指标**评估各波段选择方法的性能。

实验结果显示，本研究提出的基于强化学习的波段选择算法在区分 HCC 与 ICC 的所有性能指标上均优于其他方法，充分验证了该方法的优越性（见图4）。

图4 混淆矩阵与ROC曲线（类别0：肝细胞癌HCC；类别1：肝内胆管癌ICC）

结论

本研究**性地提出一种融合HSI、强化学习与深度学习的肝脏病理切片快速术中分类方法。通过 PPO 强化学习算法，从高维高光谱数据中高效提取与诊断相关的波段信息。实验结果显示，所提模型平均分类准确率达 95%，优于现有主流波段选择方法。研究证实，HSI 与先进强化学习、深度学习模型的融合，不仅提供了丰富的光谱信息，还显著提升了肝脏肿瘤诊断的一致性与精准性。该技术突破为HCC与ICC的精准诊疗开辟了新路径，其强大的特征提取能力有望推动个体化医疗发展，使临床医生能够根据患者个体病理特征制定个性化**方案，为术中病理诊断的智能化发展提供了关键技术支撑，具有重要的临床应用价值。