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