應用方向：

本文將顯微高光譜成像技術應用于黑色素瘤與色素痣組織切片的區(qū)分與早期診斷。該技術可在顯微鏡下采集組織切片的高光譜圖像，融合空間結(jié)構(gòu)信息與光譜反射特征，在無需額外染色或標記的情況下，有效識別肉眼難以分辨的生化差異，從而克服傳統(tǒng)診斷對經(jīng)驗依賴性強、誤判風險高等問題。通過構(gòu)建智能輔助診斷模型，顯微高光譜技術實現(xiàn)了對病理切片中良性與惡性組織的自動化分類。研究表明，該技術不僅顯著提升了診斷的準確性，還可與深度學習模型高效融合，推動病理診斷從經(jīng)驗主導向數(shù)據(jù)驅(qū)動的智能化轉(zhuǎn)變。因此，顯微高光譜成像在數(shù)字病理、早期癌癥篩查及輔助診斷系統(tǒng)開發(fā)等領域展現(xiàn)出廣闊的應用前景。

背景：

黑色素瘤是一種極*侵襲性的皮膚癌，其發(fā)病率和死亡率在皮膚惡性腫瘤中均居首*。由于早期黑色素瘤與良性色素痣在組織形態(tài)上極為相似，傳統(tǒng)病理診斷方法常面臨判別困難，導致誤診和漏診風險加大。當前常用的HE染色技術只能提供組織形態(tài)信息，尚缺乏對病理切片中細微光譜差異的定量分析手段。而免疫組化等手段盡管可輔助診斷，但其周期長、成本高，不利于快速篩查。因此，亟需一種能夠在HE染色基礎上提供更多定量、客觀信息的技術手段，以輔助醫(yī)生提高早期診斷的準確性與效率。

高光譜成像（HSI）作為一種非接觸、非侵入、無需染料標記的成像技術，可同時獲取組織在空間與光譜維度上的信息，已被證實在醫(yī)學成像中具備巨大潛力。每個像素點包含數(shù)十至上百個波段的反射光譜特征，可用于區(qū)分不同生理和病理狀態(tài)下組織的光譜差異，尤其在500–700 nm范圍內(nèi)的差異最為顯著。結(jié)合深度學習方法（如遷移學習與殘差網(wǎng)絡）的自動特征提取與分類能力，有望實現(xiàn)對病理切片中黑色素瘤與色素痣的快速、精確、智能輔助診斷，為臨床提供全新的病理影像分析工具。

作者信息： 李瑋，山東大學控制科學與工程學院。

期刊來源：Photodiagnosis and Photodynamic Therapy

研究內(nèi)容

本研究旨在探索將高光譜成像技術（HSI）與深度學習算法相結(jié)合，用于提升黑色素瘤與色素痣之間的早期病理診斷準確性。本研究構(gòu)建一種高效、非侵入、無染料標記的病理圖像智能識別方法，解決傳統(tǒng)HE染色切片診斷中“特征相似難區(qū)分、主觀性強、效率低”等突出問題。為此，作者采集了100例病理樣本（包括50例黑色素瘤和50例色素痣），通過顯微高光譜成像系統(tǒng)獲取400–1000 nm范圍內(nèi)的組織光譜圖像，并分別構(gòu)建一維和二維數(shù)據(jù)集，提取其光譜與空間特征。在方法上，采用隨機森林算法對一維光譜數(shù)據(jù)進行分類，并進一步構(gòu)建基于遷移學習的50層深度殘差神經(jīng)網(wǎng)絡模型（ResNet-50）以處理包含光譜與空間結(jié)構(gòu)的二維高光譜圖像，實現(xiàn)更精確的腫瘤識別與分類。

實驗設計

實驗數(shù)據(jù)是通過一臺江蘇雙利合譜科技有限公司顯微高光譜成像系統(tǒng)（GaiaMicro-G-V10E-AZ4, Dualix Spectral Imaging）采集的。該系統(tǒng)分為兩部分，如圖1(a)所示：一臺推掃式高光譜相機和一套顯微鏡系統(tǒng)。推掃式高光譜相機將分光元件和面陣相機進行組合。分光元件將光分成多個特定波長的光線，面陣相機則以線推掃的方式旋轉(zhuǎn)采集每一條線像素的波長信息。整個圖像的采集過程就是通過旋轉(zhuǎn)掃描逐行獲取數(shù)據(jù)，并將圖像拼接成完整的高光譜圖像。同時，計算機配備了圖像采集軟件，這不僅提供了高效的圖像采集功能，還提供了良好的用戶界面。良好的軟硬件條件為微觀高光譜熒光數(shù)據(jù)的采集和分析奠定了堅實的基礎。圖1展示了良性黑色素瘤和惡性黑色素瘤圖像的示例。

研究的大致流程如下：首先，由病理專家對切片樣本進行觀察與標注；其次，確定激發(fā)波長和采集參數(shù)后，利用顯微高光譜成像系統(tǒng)對樣本切片進行掃描成像；第三，將獲得的高光譜圖像根據(jù)模型所需的不同輸入結(jié)構(gòu)進行數(shù)據(jù)轉(zhuǎn)換；第四，將處理后的數(shù)據(jù)輸入深度學習模型中，輸出最終的準確率、ROC曲線和混淆矩陣；最后，對一維與二維數(shù)據(jù)結(jié)果進行比較，以確定哪種數(shù)據(jù)更能有效表征兩類組織的狀態(tài)與特征。

圖1. (a) 用于獲取高光譜圖像的設備。(b) 一些黑色素瘤和色素痣樣本。(c) 在高光譜相機上的掃描模式。(d) 從黑色素瘤（CMM）患者處獲取的不同波長的高光譜圖像。(e) 高光譜圖像數(shù)據(jù)立方體。(f) 腫瘤組織樣本（CMM）和色素痣樣本的組織病理學圖像。(g) 病理高光譜圖像。

研究方法

本研究所使用的數(shù)據(jù)來源于山東大學齊魯醫(yī)院確診的50例惡性黑色素瘤患者的常規(guī)病理與臨床資料，同時選取同期50例色素痣患者作為對照組。共納入樣本100份，所有切片均為組織冷凍病理切片，切片選擇與取樣過程中所選區(qū)域均為隨機，以確保模型訓練的準確性與泛化能力。為盡可能包含更多的病變信息，每張切片選取4–5個具有代表性的區(qū)域進行采集。

在建模過程中，研究分別使用了隨機森林算法與殘差網(wǎng)絡算法。隨機森林基于一維光譜數(shù)據(jù)構(gòu)建模型，而殘差網(wǎng)絡則處理二維圖像數(shù)據(jù)。一維數(shù)據(jù)通過每8個采樣點計算平均光譜以降低噪聲與冗余；二維數(shù)據(jù)則選取感興趣區(qū)域的125個像素，重組為二維圖像，用于深度神經(jīng)網(wǎng)絡訓練。

隨機森林屬于一種Bagging方法。圖2展示了其訓練流程。如圖所示，對于給定的訓練樣本集 S，每一輪迭代采用自助采樣從 S中隨機抽取M個樣本，重復進行n輪，從而獲得n個彼此獨立的訓練子集。隨后，針對每一個訓練子集分別建立一個預測模型，最終得到n個獨立的模型。在分類任務中，通過對這n個模型的預測結(jié)果進行投票表決，得到最終的分類結(jié)果。

圖2. Bagging 方法的訓練過程。

遷移學習（Transfer Learning, TL）是指將已訓練好的網(wǎng)絡的低層結(jié)構(gòu)和參數(shù)遷移到一個新的分類模型中，并通過調(diào)整高層模型的參數(shù)來完成特定的分類任務。殘差網(wǎng)絡（ResNet-50）基于深度卷積神經(jīng)網(wǎng)絡框架，引入殘差模塊以緩解深層網(wǎng)絡的梯度消失問題，并通過遷移學習策略提升模型對小樣本數(shù)據(jù)的泛化能力。圖3展示了遷移學習的方法。

圖3. 卷積神經(jīng)網(wǎng)絡（CNN）的遷移學習。

為了全面衡量所提出分類模型的性能，研究采用了準確率、ROC曲線、混淆矩陣來全面衡量所提分類模型的性能。準確率用于反映模型對整體樣本的分類正確程度；ROC曲線通過繪制不同閾值下的真陽性率（TPR）與假陽性率（FPR）關系，評估模型的分類能力與魯棒性；混淆矩陣則具體展示了模型對不同類別（黑色素瘤與色素痣）樣本的識別情況，包括真正例、假正例、真負例和假負例的數(shù)量，從而進一步分析模型在哪些類別上存在誤判或漏判現(xiàn)象。

結(jié)果

隨機森林模型在黑色素瘤和痣的分類中，訓練集的準確率為0.96，測試集的準確率為0.89。圖4描繪了隨機森林模型的ROC曲線和混淆矩陣結(jié)果。隨機森林模型的ROC曲線下面積（AUC）為0.89；圖4結(jié)果表明用于區(qū)分良性黑色素瘤和惡性黑色素瘤的隨機森林模型雖然能夠產(chǎn)生一定的分類效果，但其分類準確率并不理想。根據(jù)混淆矩陣，該模型在惡性樣本的一維數(shù)據(jù)分類上存在較高的錯誤率，整體分類準確率較低，且分類結(jié)果的可靠性欠佳。

圖4. 隨機森林分類結(jié)果：(a) ROC曲線和AUC曲線；(b) 混淆矩陣。

對比使用了深度殘差網(wǎng)絡來進行黑色素瘤和色素痣的分類。50層網(wǎng)絡的訓練集準確率為0.99，測試集準確率為0.98。圖5展示了殘差模型的ROC曲線、AUC面積以及混淆矩陣。殘差網(wǎng)絡模型的訓練準確率相對較高，在測試集上的分類準確率達到了0.98。圖5表明，深度模型的AUC面積大于隨機森林模型。50層殘差網(wǎng)絡模型表現(xiàn)更佳，其AUC值達到了0.98。根據(jù)混淆矩陣，殘差網(wǎng)絡模型在黑色素瘤惡性樣本的分類上更為準確。總體而言，兩種模型的分類性能均在可接受的誤差范圍內(nèi)，而50層殘差網(wǎng)絡模型的分類結(jié)果相對更為可靠。

圖5. 深度殘差網(wǎng)絡的分類結(jié)果：(a) ROC曲線和AUC曲線；(b) 混淆矩陣。

如圖6所示，我們在不同維度的數(shù)據(jù)上對比了多種模型的表現(xiàn)，結(jié)果發(fā)現(xiàn)：隨機森林模型在一維數(shù)據(jù)上表現(xiàn)更優(yōu)。這可能是由于隨機森林屬于Bagging類型的集成學習方法，通過多棵弱分類樹的投票或平均操作，可以獲得較高的準確性與較強的泛化能力。而深度神經(jīng)網(wǎng)絡能夠從二維數(shù)據(jù)中提取更豐富的特征，因此其結(jié)果優(yōu)于基于一維數(shù)據(jù)的模型。在各模型性能對比中，結(jié)合遷移學習的殘差網(wǎng)絡表現(xiàn)最佳。盡管用于二維建模的訓練數(shù)據(jù)量較少，但遷移學習在此過程中發(fā)揮了顯著作用，有效提升了模型的分類能力。

圖6. 不同模型的比較結(jié)果：(a) 一維數(shù)據(jù)上不同模型結(jié)果的比較；(b) 二維數(shù)據(jù)上不同模型結(jié)果的比較。

結(jié)論

本文旨在探究利用高光譜熒光數(shù)據(jù)，通過深度學習方法對黑色素瘤和痣進行分類的可能性。研究結(jié)果顯示，采用遷移學習的50層殘差網(wǎng)絡的整體性能優(yōu)于隨機森林模型。隨機森林和殘差網(wǎng)絡模型的性能表明，高光譜熒光數(shù)據(jù)能夠更好地展現(xiàn)黑色素瘤與色素痣之間的特征差異，這種差異在一定程度上提高了分類模型的準確率。殘差網(wǎng)絡模型的分類準確率較為理想，其可靠的分類表現(xiàn)可助力醫(yī)生的臨床診斷。高光譜技術簡化了樣本處理流程，消除了因醫(yī)生水平差異導致的診斷錯誤，提升了診斷的及時性與普及度，并為其他皮膚色素性疾病診斷與鑒別診斷提供了良好的思路。