国科大和温医大通过拉曼光谱结合深度学习，用于肝癌组织病理诊断

编辑|辰希
活检是肝癌病理诊断的推荐标准。然而，这种方法通常需要切片和染色，以及训练有素的病理学家来解读组织图像。
近日，来自中国科学院大学和温州医科大学的研究团队，利用拉曼光谱研究人体肝组织样本，开发和验证肝癌体外和术中病理诊断的工作流程。通过使用拉曼光谱结合深度学习，以快速、非破坏性和无标签的方式将癌组织与邻近的非肿瘤组织区分开来，并通过组织代谢组学进行验证。
该技术允许对癌组织进行详细的病理鉴定，包括亚型、分化等级和肿瘤分期。基于分子组成的可视化，还可以获取具有亚微米分辨率的未处理人体组织切片的2D/3D拉曼图像，这有助于肿瘤边界识别和临床病理诊断。最后，便携式手持拉曼系统在手术过程中用于实时术中人类肝癌诊断的潜力得到了说明。
该研究以「Rapid,label-freehistopathologicaldiagnosisoflivercancerbasedonRamanspectroscopyanddeeplearning」为题，于2023年1月4日发布在《NatureCommunications》上。

文章图片
论文链接：https://www.nature.com/articles/s41467-022-35696-2
肝癌是全球第七大常见癌症，也是癌症相关死亡的第三大原因。过去几十年，尽管在诊断和治疗方面取得了重大进展，但全球肝癌新诊断病例的发病率和年龄标化发病率持续上升。
因此，准确、及时的诊断对于肝癌的治疗和生存率的提高至关重要。活检仍被推荐作为病理诊断的金标准，对判断预后和指导治疗具有重要意义。
最近，使用高通量图像分析的数字病理学极大地帮助了病理学家进行组织样本识别和分类。然而，数字病理学的样本制备与传统方法同样存在局限性。因此，需要快速、非破坏性的肝癌体外甚至体内研究技术。
基于拉曼光谱的光谱组织病理学为癌症诊断提供了另一种方法。生物样品的化学结构和组成可以通过拉曼光谱以无污染和非破坏性的方式获得，只需很少的样品制备。光谱信息还可以结合人工智能算法建立诊断分类模型，实现自动诊断。
到目前为止，对于肝癌，基于拉曼光谱的研究主要集中在血液样本的分析上，只有少数研究针对人体组织。
此外，众所周知，肿瘤组织的异质性和可能的癌浸润增加了从组织收集的光谱数据的可变性。因此，有必要从每个组织样本中收集大量的光谱以更好地表示数据，但这可能会增加数据分析的复杂性，并对传统的化学计量学方法提出挑战。深度学习的数据驱动特性非常适合解决这个问题。深度学习可以直接从海量数据中提取和学习隐藏的特征，并已成功应用于图像识别领域，包括生物和医学图像分析。由于其架构的灵活性，深度学习也已扩展到分析一维序列数据，例如光谱数据。
在这项研究中，研究人员报告了使用拉曼光谱探索人类肝病组织。研究得出，拉曼光谱有可能成为肝癌组织病理学诊断的多功能工具，因为它允许基于固有分子振动信号进行快速检测和高化学特异性。

文章图片
图：基于拉曼光谱和智能算法的肝癌组织病理学诊断工作流程。（来源：论文）
具体而言，肝癌的光谱显示出比从邻近的非肿瘤组织收集的光谱整体强度更弱，并且在不同的病理组织中也观察到不同的拉曼模式，这反映了肝癌进展中生化代谢的复杂性。为了证实这些生化成分在肝细胞癌(HCC)组织和邻近组织之间的差异，基于LC-MS进行了代谢组学分析，揭示了大多数代谢物在HCC组织中表现出下降趋势，例如大多数氨基酸、脂质和核酸，而标有SFA或MUFA的PC增加了。结果与拉曼分析结果一致，表明基于拉曼的代谢组学可以像传统代谢组学一样带来全面可靠的生物学信息，无需额外的耗材，更方便、更经济地区分不同的病理组织。