image: 图中分别显示乳腺浸润性导管癌、粘液癌、乳头状癌的图像及可视化结果（比例尺：100μm）。对于不同组织学类型乳腺癌的D-FFOCT图像，模型的激活区域均与黄色恶性细胞聚集区相符。 view more
Credit: ©《中国科学》杂志社
在癌症手术决策中，精准的术中诊断至关重要。然而，传统术中病理诊断方式存在耗时、繁琐、消耗组织等缺陷。D-FFOCT是一种高分辨率光学成像技术，能够快速生成虚拟病理图像。近日，北京大学人民医院王殊教授团队在Science Bulletin发表研究论文，报道了将D-FFOCT与深度学习算法结合的方法，该方法可以实现快速准确的术中自动化诊断。
该研究针对乳腺癌进行，共前瞻性收集224张乳腺良恶性疾病D-FFOCT图像，图像采集过程无需组织染色且不破坏标本。研究团队依据病理结果标注图像并切分Patch图块，按照入组时间先后顺序，以4:1的比例将图像划分为训练集（图像水平：n=182，Patch水平：10357）与测试集（图像水平：n=42，Patch水平：3140）。在训练集进行深度学习建模与微调，选择五折交叉验证的方式以提高模型的鲁棒性。得到Patch水平的分类结果后，对每张图像所有Patch预测结果进行特征提取，再通过机器学习模型将结果聚合至图像水平。
该研究的结果显示，模型在独立测试集表现优异，Patch水平诊断AUC值为0.926（95% CI：0.907-0.943），图像水平的诊断准确率、灵敏度、特异度分别为97.62%、96.88%、100%。对于不同临床病理信息的样本（如不同组织学类型、分子亚型），各亚组的诊断准确率均无统计学差异。使用可视化方法对深度学习模型的预测提供合理的解释，可发现模型主要学习到了恶性D-FFOCT图像中活跃细胞聚集的相关特征，与人类诊断经验类似。在不同组织学类型的乳腺癌中，该模型均可以学习到类似的特征，提示该模型适用于不同类型的肿瘤，具有未来向其他瘤种推广的潜力。在模拟切缘诊断场景的试验中，诊断流程耗时约3分钟，同时深度学习模型可达到95.24%的准确度。
基于以上研究结果，该研究提出了一种基于人工智能算法的D-FFOCT图像诊断流程，这一新型智能诊断流程在应用于乳腺切缘诊断时耗时仅3分钟，同时几乎不耗费人力，且不消耗标本。这些结果表明，深度学习增强的D-FFOCT可以简化癌症术中诊断流程，为术中决策提供智能、快速、精准的解决方案。
研究详情请见原文：
Potential rapid intraoperative cancer diagnosis using dynamic full-field optical coherence tomography and deep learning: A prospective cohort study in breast cancer patients
https://doi.org/10.1016/j.scib.2024.03.061
Journal
Science Bulletin