基于患者级光谱-空间深度学习的无标记显微高光谱成像用于甲状腺乳头状癌光学诊断

《Photodiagnosis and Photodynamic Therapy》:Label-Free Microscopic Hyperspectral Imaging for Papillary Thyroid Carcinoma Photodiagnosis Using Patient-Level Spectral-Spatial Deep Learning

【字体: 大 中 小 】 时间:2026年10月09日 来源:Photodiagnosis and Photodynamic Therapy 2.7

编辑推荐:

  专业术语翻译(摘要部分) 无标记显微高光谱成像(label-free microscopic hyperspectral imaging)可区分甲状腺乳头状癌(papillary thyroid carcinoma, PTC)与良性甲状腺病变。研究人员开发了一

  
专业术语翻译(摘要部分) 无标记显微高光谱成像(label-free microscopic hyperspectral imaging)可区分甲状腺乳头状癌(papillary thyroid carcinoma, PTC)与良性甲状腺病变。研究人员开发了一种患者级(patient-level)光谱-空间多实例学习(multiple-instance learning, MIL)框架,该框架整合了波长依赖信息与形态学信息。患者级五折交叉验证(five-fold cross-validation)结果显示,区分甲状腺乳头状癌与良性病变的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)达0.927。波长级与区域级注意力机制(wavelength- and region-level attention)提供了可解释的光学与组织学定位信息。420–550 nm区间表现出较强的光谱分支判别能力,为未来缩减波段采集(reduced-band acquisition)的研究提供了支持。

论文解读文章

一、研究背景与问题

甲状腺乳头状癌(papillary thyroid carcinoma, PTC)是甲状腺最常见的恶性上皮性肿瘤,其诊断依赖于世界卫生组织(WHO)分类中定义的典型核特征和结构特征。然而,在日常病理实践中,桥本甲状腺炎(Hashimoto thyroiditis, HT)中的反应性核异型、结节性甲状腺肿(nodular goiter, NG)中的乳头状或滤泡状重塑,以及异质性炎症或退行性改变,均可能部分模拟PTC的形态学特征,尤其是在小标本或有限标本中,诊断难度显著增加。
免疫组织化学(immunohistochemistry)和分子检测虽可辅助疑难诊断,但需要额外的组织处理、消耗有限的标本材料,并可能延迟判读时间。当仅有少量组织可用,或需要快速术中或近实时评估时,这些限制尤为突出。因此,一种能够直接检测标本且保留组织用于后续检测的无标记光学方法,作为补充性光学诊断(photodiagnostic)策略具有重要吸引力。
高光谱成像(hyperspectral imaging, HSI)在每个图像像素处获取连续光谱,从而将显微形态学与波长依赖的光学信息联系起来。既往研究已证实PTC与HT、PTC与伴乳头状增生的结节性甲状腺肿之间存在可测量的光谱差异,且诊断相关信息分布于可见光及近红外光谱区。然而,这些研究主要侧重于二分类或光谱中心化的分类方法,未充分挖掘空间组织信息对诊断的增量价值。

二、研究目的与设计

针对上述不足,研究人员开发了ThyroHSI-MIL,一种双分支光谱-空间网络,整合多尺度光谱编码、波长注意力、空间特征提取、门控融合以及基于注意力的多实例学习(multiple-instance learning, MIL)。研究的主要目标是开发和评估这一患者级框架用于区分PTC与良性甲状腺病变(HT+NG)的性能;次要目标包括PTC、HT、NG三分类、与传统机器学习和深度学习基线的比较、组件级消融分析,以及波长级和区域级可解释性分析。
该回顾性单中心诊断建模研究纳入2020年7月至2026年5月期间在中国济南一家三级转诊医院接受甲状腺手术的180例经病理确诊的PTC、HT或NG患者,其中PTC 72例、HT 54例、NG 54例。患者为分析单位,来自同一患者的全部高光谱区域被保留在同一交叉验证折内,以防止患者级信息泄漏。

三、主要技术方法

研究人员采用ATH5010正置显微高光谱成像分析系统(Optosky,厦门,中国)进行无标记显微高光谱采集,光谱范围400–1000 nm,有效分析范围420–950 nm,使用20倍物镜和同轴LED照明。连续切片标称厚度4 μm,标称积分时间50 ms/线。原始强度数据经白-暗参考校正转换为相对反射率,光谱截断至420–950 nm后,采用11点窗口、三阶多项式的Savitzky-Golay(SG)滤波器平滑,再经标准正态变量(standard normal variate, SNV)变换归一化。感兴趣区域(ROI)以64×64像素的patch提取,步长32像素、重叠50%,最小组织覆盖率90%。空间分支输入为600 nm反射率图像,调整至224×224像素。模型采用分层患者级五折交叉验证,合并折外预测进行评估,二分类操作阈值为0.50。

四、研究结果

患者级二分类性能。 患者级五折交叉验证显示,ThyroHSI-MIL区分PTC与良性病变(HT+NG)的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)达0.927,表明该框架在患者层面具有较高的判别能力。
三分类性能。 在PTC、HT、NG三分类任务中,模型同样表现出良好的分类性能,证实了该框架在区分三种甲状腺病变方面的有效性。
与基线方法的比较。 与传统机器学习方法和深度学习基线相比,ThyroHSI-MIL在患者级分类任务中表现出更优的性能,验证了光谱-空间双分支设计和多实例学习聚合策略的优越性。
消融分析。 组件级消融实验表明,光谱分支、空间分支、波长注意力、门控融合以及多实例学习各组件均对整体性能有所贡献,证实了各模块设计的必要性。
可解释性分析。 波长级注意力显示420–550 nm区间表现出较强的光谱分支判别能力,支持未来缩减波段采集的研究方向。区域级注意力提供了可解释的组织学定位信息,有助于理解模型决策所依据的形态学区域。

五、讨论与结论

讨论部分指出,无标记高光谱方法正朝着更具临床可解释性的工作流程发展,包括虚拟苏木精-伊红(hematoxylin-eosin, H&E)渲染和集成式医学高光谱系统。然而,对于临床转化而言,性能必须在患者层面评估,信息泄漏必须得到控制,模型解释应区分光学关联与直接分子测量。
研究结论认为,该患者级光谱-空间多实例学习框架能够有效利用无标记显微高光谱成像区分甲状腺乳头状癌与良性甲状腺病变,波长级和区域级注意力提供了可解释的光学和 histological 定位信息,420–550 nm区间的强判别能力为未来硬件简化和缩减波段采集提供了依据。该研究为甲状腺病理的光学诊断提供了一种有前景的补充策略,在保留组织标本用于后续检测的同时实现快速、无标记的辅助诊断。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号