术中快速冰冻病理的应用很大程度上改善了术中决策，提高了手术成功率，但与术后病理相比，仍然存在一定的差异。准确的组织病理学诊断对于提供最佳的脑瘤手术治疗至关重要。术中决策和手术目标因肿瘤病理而异，而现有的术中组织学检查方法耗时、费力，且受人工因素影响，限制了病理分析。对于临床医生来说，寻找精准而快速的术中诊断方法是当务之急。

近期，纽约大学朗格尼医学中心的研究者报告了一种快速而又准确的术中诊断方法：人工智能联合光学成像可在150秒内快速进行脑部肿瘤的诊断，且准确率高达94.6%，精准率超过术后病理诊断(93.9%)。

这项新技术是由受激拉曼组织学(SRH)联合无标签光学成像和深度卷积神经网络进行的，而SRH是在受激拉曼散射显微镜的基础上进行的。该显微镜开发于2008年，可快速、精准探测脑瘤组织，帮助外科医生更加安全、有效地实施切除手术。

这一新型无标签光学成像技术，可以提供未经处理的生物组织的快速、无标签、亚微米分辨率的图像，不需要引入染料、荧光分子或荧光蛋白等标志物，具有高灵敏度、高特异性和高分辨率等优势。该技术对分子的选择性来源于分子的内禀振动特性，因而可以针对组织中的不同化学组分进行分别成像，可以直接探测样品本身的光谱信号。利用脂质、蛋白质和核酸的固有振动特性来产生图像对比度，揭示术后病理HE染色图像难以可视化的诊断显微镜特征和组织学发现，同时消除了冰冻或涂片组织制剂中固有的伪影。

该研究中，密歇根大学的研究者使用的受激拉曼散射显微镜是经过改良的临床版本。

深度神经网络利用可训练的特征提取器，为分类提供一个学习和优化的图像特征分类层次结构。通过在眼科、放射科、皮肤科和病理科的深入学习，实现了图像分类任务的与人类水平相当的准确性。

为了构建研究中使用的人工智能工具，研究者联合使用了无标签光学成像和深度卷积神经网络(CNN)，应用SRH和深度学习的术中诊断管线主要涵盖3个步骤：图像采集、图像处理、术中诊断预测。来自415例患者的10万多份样本250万个带标签的图像用于CNN训练，CNN被训练将组织分为13个组织学类别，聚焦于常见脑肿瘤的输出和推理节点，包括恶性胶质瘤、淋巴瘤、转移性肿瘤和脑膜瘤。

对基于深度学习的算法进行严格临床评估的重要性不言而喻，为了进一步验证CNN的准确性，研究者开展了一项双臂、前瞻性、多中心、非劣效性临床试验，比较病理学家常规组织学检查(对照组)和CNN SRH图像分类(试验组)的准确性。

研究者招募了278例接受脑肿瘤切除或癫痫手术的患者，对这些患者的脑肿瘤标本进行活检，术中分为姐妹样本，随机分为对照组和试验组。试验组采用新技术进行诊断，在术中进行，从图像采集、处理到通过CNN进行诊断预测。对照组则采用常规组织病理学方法进行诊断。结果发现，两者的诊断结果竟基本无异。

基于组织病理的诊断准确率为93.9%(261/278例)，而基于AI的诊断准确率为94.6%(264/278例)，超过了非劣效性的主要终点阈值(>91%)。

基于AI技术可以在150秒以内准确诊断出脑肿瘤，而病理学家通常需要20~30分钟或更长时间。研究团队还实施了语义分割方法来识别SRH图像中的肿瘤浸润的诊断区域。对在原发性和转移性脑肿瘤中肿瘤-脑界面收集的样本进行的分析表明，CNN可以将肿瘤与未浸润性的脑部和非诊断性区域区分开。

该研究得出结论，SRH+CNN不仅完美演绎术中脑肿瘤的快速诊断，而且对其他多个科室均具有极大帮助的潜力，必将造福于更多患者。

这种新方法简化了当患者仍在手术台上时分析组织样本的做法，有助于指导脑外科手术和后续治疗。它结合了“受激拉曼组织学”(stimulated Raman histology，SRH)、无标签光学成像方法和深度卷积神经网络(CNN)，以自动化的方式在床边几乎实时地预测诊断，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。

Orringer说：“作为外科医生，我们仅限于根据所见采取行动;这项技术使我们能够看到原本看不见的东西，提高(手术)的速度和准确性，并减少误诊的风险。有了这种成像技术，癌症手术比以前更安全、更有效。”

新技术还能够检测到传统方法可能遗漏的一些细节，例如肿瘤沿神经纤维的扩散;与传统方法不同，人工智能方法不会破坏样本，因此组织可以再次用于更多的检测。该研究证实将SRH与深度学习相结合，可以快速预测术中脑肿瘤的诊断。

该工作流程提供了一种在神经病理学资源稀缺的情况下提供专家级的术中诊断、提高诊断准确性的方法。该工作流程还允许外科医生近乎实时地访问组织学数据，从而能够更无缝地使用组织学，为基于显微组织特征的手术决策提供信息。

重要的是，基于AI的工作流程在手术过程中为床边的显微组织诊断提供了无与伦比的途径，有助于残留肿瘤的检测，降低去除病变附近正常组织的风险，有助于研究区域组织学和分子异质性，并最大程度地减少因取样错误而导致的非诊断性活检或误诊的机会。

未来，或许可与术中MRI和荧光引导手术协同工作，为世界神经外科医生提供高分辨率的精确术中指导，提高肿瘤切除率与安全性。还可以开发人工智能算法来预测脑肿瘤中的关键分子变异，如MGMT甲基化、IDH和ATRX的状态。

此外，SRH可能最终结合光谱检测诊断性基因变异的代谢效应，如在IDH突变的胶质瘤中积累2-羟基戊二酸。在此期间，SRH保存了成像组织的完整性，可用于下游分析检测，并与现代分子诊断实践很好地结合。

虽然该工作流程是在神经外科肿瘤学的背景下开发和验证的，但用于诊断脑肿瘤的许多组织学特征是在其他器官的肿瘤中发现的。未来或许可将光学组织学和深度学习相结合的类似工作流程可应用于皮肤科、头颈外科、乳腺外科和妇科。

(编译 田蓉棠)