基于拉曼光谱与深度学习的肝癌快速无标记病理诊断研究
作者及机构
该研究由温州医科大学附属第一医院的黄丽萍（Liping Huang）、孙宏伟（Hongwei Sun）、施克青（Keqing Shi）团队，联合温州医科大学眼视光学院生物医学工程学院的王毅（Yi Wang）、张庆文（Qingwen Zhang）团队，以及奥地利技术研究院（Austrian Institute of Technology）的Wolfgang Knoll团队共同完成，发表于Nature Communications期刊（2023年14卷48期）。
学术背景
肝癌是全球第七大常见癌症和第三大癌症相关死因，传统诊断依赖活检（biopsy）结合H&E染色（Haematoxylin & eosin staining），但存在耗时、依赖病理专家等局限。拉曼光谱（Raman spectroscopy）作为一种非破坏性、无标记的光学技术，能够通过分子振动信号提供生物样本的“化学指纹”。本研究旨在开发一种结合拉曼光谱与深度学习（deep learning）的肝癌快速病理诊断方法，实现体外和术中癌症组织识别、亚型分型及分级。
研究流程
1. 样本准备与拉曼光谱采集
- 研究对象：120例原发性肝癌患者（98例肝细胞癌HCC，22例肝内胆管癌ICC）的配对癌组织及癌旁组织（共240个样本）。
- 样本处理：组织块冷冻保存，检测前仅简单吸水处理以避免破坏分子结构。
- 光谱采集：使用532 nm激光的显微拉曼光谱仪（Renishaw），每样本采集至少50个光谱（范围500–2000 cm⁻¹），空间分辨率达亚微米级。
- 创新方法：采用LiveTrack技术实时调整样品高度，解决组织表面不平整问题。
2. 深度学习模型构建
- 数据预处理：基线校正和Savitzky-Golay平滑处理。
- 模型架构：基于VGG-16框架改进的一维卷积神经网络（CNN），包含13个卷积层、5个池化层和3个全连接层，使用Softmax优化器和Dropout（50%）防止过拟合。
- 训练数据：12,000条光谱（120对样本），按8:2划分训练集与验证集。
3. 组织代谢组学验证
- 方法：液相色谱-质谱联用（LC-MS）分析25对HCC与癌旁组织的代谢物差异。
- 结果：发现108种差异代谢物，如酪氨酸（tyrosine）、多不饱和脂肪酸（PUFA-tagged phosphatidylcholines）在癌组织中显著下调，与拉曼光谱强度变化一致。
4. 拉曼成像与肿瘤边界识别
- 技术：通过自建模曲线分辨（SMCR）和层次聚类分析（HCA）算法，重构未处理组织切片的2D/3D分子组成图像。
- 结果：成功可视化肝癌细胞的蛋白质与脂质分布差异（如核区蛋白浓度高），并识别肿瘤浸润区域（图4）。
5. 术中实时诊断验证
- 设备：自主研发的便携式拉曼系统（785 nm激光，光纤耦合探头）。
- 应用：术中实时检测显示癌组织拉曼信号强度显著低于正常组织（图6），验证了技术的临床可行性。
主要结果
- 癌与癌旁组织区分：CNN模型准确率达92.6%（灵敏度90.8%，特异性94.6%），显著优于传统血清标志物AFP（灵敏度仅27.2%）。
- 亚型与分级识别：HCC与ICC的鉴别准确率82.4%；不同分化程度（中/低分化）准确率72.3%。
- 分子机制验证：代谢组学证实癌组织中氨基酸、核酸代谢紊乱，与拉曼特征峰（如1003 cm⁻¹对应AFP）高度相关。
- 成像突破：亚微米级拉曼图像首次实现肝癌边界无标记可视化，与H&E染色结果一致（图5）。
结论与价值
科学价值：
- 首次系统证明拉曼光谱结合深度学习可替代传统病理诊断，提供分子水平的癌症异质性信息。
- 为术中实时肿瘤边界识别提供新工具，辅助精准切除。
应用潜力：
- 便携式拉曼系统有望缩短术中病理诊断时间至分钟级，减少冷冻切片依赖。
- 技术可扩展至其他癌症（如脑瘤、结肠癌）的诊断。
研究亮点
方法创新：
- 开发了针对拉曼光谱的VGG-16-CNN模型，解决传统化学计量学对大数据集的局限性。
- 首创术中拉曼探头结合无菌防护罩的临床实施方案。
技术整合：
- 将代谢组学（LC-MS）与拉曼光谱（Ramanomics）交叉验证，增强结果可靠性。
- 实现未处理组织的3D分子成像，突破染色技术的空间分辨率限制。
临床意义：
- 克服了肝癌异质性导致的诊断难点，为个性化治疗提供分子依据。
其他价值
研究开源了CNN模型代码（GitHub），并提出了拉曼设备标准化建议（如激光波长、功率），为后续多中心研究奠定基础。