脑瘤术中病理迎来颠覆：AI智能组织学数秒内读出肿瘤类型，准确率超90%-INC国际神经外科医生集团

　　一个多世纪以来，人们已经认识到术中进行快速准确的组织学分析的重要性。我们当前的术中病理学标准流程基于光学显微镜和H&E组织学，这种方法速度慢、也没有实时数字成像。INC Berger教授等分享了一种新兴的创新性术中组织学分析方法，称为AI智能组织学。它将AI人工智能与受激拉曼组织学（SRH）相结合。SRH是一种快速、无标记的数字成像方法，用于实时显微镜下肿瘤组织分析。SRH可在数秒内生成病变组织的高分辨率数字图像，再通过AI实现肿瘤组织学和分子分类分析、肿瘤浸润检测。

　　INC国际神经外科医生集团旗下组织世界神经外科顾问团（WANG）成员、美国神经外科学院主席前主席、旧金山加利福尼亚大学（UCSF）神经外科系教授兼主席（1997-至今）Mitchel S. Berger 教授发表研究《 Intelligent histology for tumor neurosurgery》。

　　SRH无标记成像是什么？

　　受激拉曼散射是一种基于拉曼散射的振动显微镜技术，无需荧光标记或染料即可生成高分辨率图像。它于2008年由Freudiger等人首次描述。SRH相较于其他光学成像方法的一个主要优势是，拉曼信号的强度与生物组织内大分子的浓度成正比。组织内脂质、蛋白质和核酸的生化浓度差异产生了无标记的图像对比度。虽然自发拉曼光谱已用于神经外科，但SRH在图像采集和组织分析方面具有千倍以上的信噪比。提高的信噪比促进了临床转化和应用。

　　在2012年至2016年间一系列临床前突破之后，Orringer等人展示了SRH的决定性临床转化。临床SRH成像仪是一种基于便携式光纤激光器的受激拉曼散射显微镜，用于在床边对新鲜、未处理的手术标本进行成像，时间在组织活检后几分钟内。SRH捕获高分辨率数字图像，允许病理学家和外科医生进行实时组织学分析。作者开发了一种虚拟H&E染色方法，用于为双通道灰度SRH图像着色，可用于术中病理学。对于术中肿瘤分类，使用SRH与标准H&E病理学时，病理学家的诊断是一致的。SRH是非消耗性和非破坏性的：成像后的标本可以送去进行额外的下游病理学分析，而不会降低诊断产量。这些结果证明了SRH工作流程用于组织分析和诊断的可行性。

　　AI智能组织学的临床转化

　　术中病理学的主要作用是分析手术组织并及时提供组织学诊断，为手术决策提供信息。2020年的一项研究使用卷积神经网络，在超过250万张SRH图像上进行训练，对神经外科肿瘤学中最常见的13种组织学诊断进行分类。在一项前瞻性临床试验中，SRH-CNN达到了93.1%的诊断准确率，与使用标准H&E组织学的病理学家相当，但速度快一个数量级。CNN模型学会了识别SRH图像中可解释的组织学特征。此外，SRH-CNN模型发现了与肿瘤恶性和进展相关的已知组织学特征，并利用这些特征来区分低级别和高级别胶质瘤。一项后续研究微调了原始的SRH-CNN模型，以区分肿瘤复发与治疗效应/假性进展。该任务对术中病理学具有挑战性，因为先前的治疗可能诱发模拟肿瘤复发的组织学改变。该模型在复发性弥漫性胶质瘤患者的外部测试队列中达到了95.8%的分类准确率。

　　中枢神经系统肿瘤的组织学和分子诊断

　　术中区分手术与非手术肿瘤对于确定手术目标至关重要。Reinecke等人开发了RapidLymphoma，利用智能组织学检测和分类原发性中枢神经系统淋巴瘤。由于淋巴瘤不如其他中枢神经系统肿瘤常见，RapidLymphoma的一个主要创新是使用自监督预训练。在一项前瞻性、多中心测试队列中，RapidLymphoma检测原发性CNS淋巴瘤的总体平衡准确率达到97.8%，优于冰冻切片性能。Scheffle等人一项相关的创新工作使用开源计算病理学模型CTransPath进行自动化SRH特征提取和淋巴瘤分类。据我们所知，这是首次集成现成的计算病理学模型进行SRH微调。重要的是，他们使用显著更小的训练数据集实现了与RapidLymphoma相当的分类性能。

　　传统的术中病理学不提供分子数据。智能组织学有潜力从SRH图像预测分子标志物，为手术目标提供信息。

　　手术切缘分析

　　安全最大化切除作为脑肿瘤治疗的基本组成部分经受住了时间的考验。在大多数脑肿瘤诊断中，术后残留肿瘤负担是较差总体预后的主要风险因素。不幸的是，临床研究表明，许多患者，也许是大多数，并未接受最佳手术治疗。在30%的弥漫性胶质瘤患者中，手术切缘发现可安全切除的密集肿瘤浸润。在先前工作的基础上，Reinecke等人表明，组织学分类模型可用于肿瘤浸润检测，并在一个大型外部队列中验证了这种方法。

　　FastGlioma是一种用于快速检测手术切缘的胶质瘤浸润的智能组织学模型。在一项国际性的弥漫性胶质瘤患者测试队列中，FastGlioma能够检测和量化肿瘤浸润程度。此外，FastGlioma显示出有助于其他成人和儿童脑肿瘤手术的能力。

　　患者预后预测

　　预测患者预后可以说是精准医学中最重要的AI任务。预后判断是从过去和当前数据预测未来事件，由于数据有限和不可预见或随机事件，这是更具挑战性的机器学习任务之一。最近的计算病理学研究已经研究了从H&E图像和遗传数据对患者癌症生存进行分层。虽然这项工作代表了重要的一步，但由于未考虑重要的预后信息，这种策略总是会产生次优结果。这再次强调了多模态模型在患者预后预测中的重要作用。当前正在进行多模态智能组织学研究，以整合患者人口统计学、临床、放射学、手术和病理学信息，对弥漫性胶质瘤患者的生存进行分层。

　　结论

　　智能组织学正在改变术中病理的传统模式，AI让诊断更快、也让我们对肿瘤本身的认识更深，最终受益的是患者，也是整个神经外科领域。