《World Journal of Otorhinolaryngology - Head and Neck Surgery》:AI-Powered TAT-Net Hyperspectral Imaging for Rapid and Accurate Differentiation of Sinonasal Inverted Papilloma and Malignancy
编辑推荐:
背景:鼻腔鼻窦内翻性乳头状瘤(IP)与恶性肿瘤在临床和内镜下表现重叠,常规组织病理学常需耗时辅助免疫组织化学检查。高光谱成像(HSI)能够捕获与恶性转化相关的细微光谱变化,这些变化在常规苏木精-伊红(H&E)染色中并不明显。
方法:在这项回顾性单中心研究中,
背景:鼻腔鼻窦内翻性乳头状瘤(IP)与恶性肿瘤在临床和内镜下表现重叠,常规组织病理学常需耗时辅助免疫组织化学检查。高光谱成像(HSI)能够捕获与恶性转化相关的细微光谱变化,这些变化在常规苏木精-伊红(H&E)染色中并不明显。
方法:在这项回顾性单中心研究中,来自176例患者(89例IP,87例鼻腔鼻窦恶性肿瘤)的176份H&E染色手术标本,在开展任何高光谱数据处理之前,按患者/标本层面以6:2:2比例分配至训练集、验证集和测试集。经高光谱校准、感兴趣区(ROIs)选择、光谱预处理、特征提取及质量控制,共获得9,296个符合条件的ROI级高光谱样本,其中训练集5,578个、验证集1,859个、测试集1,859个。研究评估了联合光谱-纹理特征在多种参考深度学习模型及一种基于Transformer注意力机制的网络(TAT-Net)中的表现。主要结局指标为测试集的受试者工作特征曲线下面积(AUC)。
结果:HSI揭示了IP与鼻腔鼻窦恶性肿瘤之间不同的光谱特征。所有深度学习模型均表现出良好的判别性能(AUC≥0.85),其中TAT-Net取得了最佳总体性能。在独立测试集中,TAT-Net区分IP与鼻腔鼻窦恶性肿瘤的AUC为0.9656(95% CI:0.9571–0.9741)。
结论:AI驱动的TAT-Net分析HSI能够在常规H&E切片上快速、准确地区分IP与鼻腔鼻窦恶性肿瘤。该方法有望缩短诊断流程、支持早期决策,并有助于标准化鼻腔鼻窦肿瘤的评估。
鼻腔鼻窦恶性肿瘤约占所有头颈部恶性肿瘤的5%,全球年发病率约为每10万居民1例。由于早期临床表现非特异,内翻性乳头状瘤(IP,一种良性上皮性肿瘤)与鼻腔鼻窦恶性肿瘤在早期症状和鼻内镜下表现差异尤为细微,而常规影像学检查亦难以有效区分。组织病理学检查虽为鉴别诊断的金标准,但病理医师需在高倍镜下仔细评估复杂的组织结构,且常规苏木精-伊红(H&E)染色后常需辅助免疫组织化学才能确诊,增加了处理复杂性、延长了诊断周期并提高了成本。既往肿瘤鉴别研究多依赖RGB图像、CT/MRI等常规医学影像,此类模态光谱信息有限,无法捕捉组织在分子水平上的细微差异。高光谱成像(HSI)能够获取连续窄波段的光谱信息,敏感反映早期肿瘤在特定波长下光学特性(如血红蛋白吸收峰偏移)的改变,为良恶性肿瘤鉴别提供了新途径。然而,当前基于深度学习的HSI研究多集中于单波段分析或浅层纹理描述,难以充分捕获良恶性鼻腔鼻窦肿瘤间的细微光谱-空间差异。为此,研究人员构建并验证了一种由基于Transformer注意力机制的网络(TAT-Net)驱动的HSI诊断框架,联合捕获光谱与空间信息,以期快速、准确区分鼻腔鼻窦恶性肿瘤与IP。
研究共纳入176例接受鼻部手术患者的176份H&E染色手术标本,其中89例为IP,87例为鼻腔鼻窦恶性肿瘤(包括45例鳞状细胞癌、10例腺癌、6例嗅神经母细胞瘤、5例腺样囊性癌、6例黑色素瘤、3例未分化癌及12例其他组织学亚型)。标本在患者/标本层面以6:2:2比例分为训练集、验证集和测试集。经高光谱数据采集与处理后,共获得9,296个符合条件的感兴趣区(ROI)级高光谱样本。研究人员采用标准正态变量(SNV)归一化、Savitzky-Golay平滑进行光谱预处理,利用主成分分析(PCA)提取纹理特征,并联合光谱-纹理特征输入TAT-Net进行二分类诊断。TAT-Net架构包含特征嵌入层、Transformer编码器模块、通道注意力模块和分类层,采用Adam优化器训练,以受试者工作特征曲线下面积(AUC)为主要结局指标。
在光谱分析方面,研究人员观察到IP与恶性肿瘤的光谱曲线形态和峰强度存在明显差异,尤其在535.4–741.1 nm波段内两者的平均反射率差异有统计学意义(p<0.001)。基于注意力的可解释性分析显示,模型在多个短波长光谱区域及部分纹理特征上分配了较高注意力,表明其整合了互补的光谱与纹理线索。在模型性能评估中,支持向量机(SVM)、卷积神经网络(CNN)、LeNet、AlexNet和Transformer架构与HSI结合时均表现出良好的判别性能(AUC≥0.85),证实HSI提供了有效特征。进一步提出的TAT-Net模型在独立测试集上取得最佳表现:AUC为0.9656(95% CI:0.9571–0.9741),敏感度为93.12%,特异度为85.47%,准确度为89.30%,阳性预测值(PPV)为86.51%,阴性预测值(NPV)为92.54%,F1分数为0.8969,Cohen's kappa系数为0.7859。为提供临床参考基准,两名资深病理医师独立评估全部176份H&E切片,其敏感度为95.40%、特异度为83.15%、准确度为89.20%、AUC为0.9521。TAT-Net在特异度和AUC上略高,而病理医师敏感度略高,提示TAT-Net的诊断性能与资深病理医师相当。
讨论部分指出,恶性组织因细胞和间质结构改变导致光散射和吸收出现细微变化,HSI可快速准确捕获这些变化。与依赖免疫组织化学和基因表达谱的传统诊断方法相比,HSI可直接在常规H&E切片上通过单次光谱扫描实现良恶性判别,无需额外染色或分子检测,缩短了诊断周期并降低了费用。同时,深度学习与HSI的整合可定量提取人眼不可见的细微光谱-空间特征,减少对病理医师主观经验的依赖,有助于标准化诊断流程。未来若将HSI与鼻内镜系统整合,有望实现体内实时评估、引导靶向活检和切缘界定,并为手术决策提供术中支持。相较于其他深度学习方法,TAT-Net通过注意力机制自适应增强关键光谱-空间特征,捕获跨波段长程依赖和多尺度空间模式,具备更强的表征能力和临床实用性,且其端到端全自动化设计免除了手工特征工程,提高了诊断效率。研究局限性包括标本数量相对较少、部分组织学亚型例数不足,以及单中心回顾性设计,未来需开展多中心前瞻性研究以验证其普适性。
结论部分翻译:总之,研究人员开发并验证了一种TAT-Net驱动的、基于H&E染色标本的高光谱成像模型,用于诊断鼻腔鼻窦良恶性肿瘤。该模型表现出稳健的诊断性能,有效捕获了超越常规形态学的光谱-空间特征。这些发现共同表明,高光谱分析具有广阔的临床诊断价值,并有望提升鼻腔鼻窦恶性肿瘤的常规评估水平。