术中诊断对癌症手术期间提供安全有效的护理至关重要。术中诊断现有的工作流程是基于组织H&E染色,但是这过程是耗时、耗资和劳动密集型的。此外,术中组织学图像的解读依赖于少部分且分布不均的病理工作队伍。于此,密歇根大学Daniel A. Orringer等人报道一个平行工作流程,结合受激拉曼组织学(SRH)、无标记光学成像方法和深度卷积神经网络(CNNs)以自动方式近实时预测床旁诊断。
具体来说,该CNNs在250多万张SRH图像上进行训练,实现在150 s内预测手术室中的脑肿瘤诊断,比传统技术(20–30 min)快一个数量级。在一项多个研究中心的临床试验(n = 278)中,证明了基于CNN的SRH图像诊断不逊于基于病理学的常规组织学图像解释(总准确率为94.6%对93.9%)。该CNNs学习了一个可识别的组织学特征表现的层次结构,对脑肿瘤的主要组织病理学类别进行分类。此外,研究人员还使用一种语义分割方法来识别SRH图像中肿瘤浸润的诊断区域。这些结果显示了术中癌症诊断如何能被简化,为组织诊断创造了一条独立于传统病理实验室的互补途径。
常规方法和SRH+CNN方法比较
Hollon, T.C., Pandian, B., Adapa, A.R. et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nat Med (2020)
doi:10.1038/s41591-019-0715-9
https://doi.org/10.1038/s41591-019-0715-9