頭頸癌是全球第六大常見癌癥，2020年新增病例超85萬例，死亡病例達40萬，且發(fā)病率呈上升趨勢。傳統(tǒng)診斷依賴病理活檢和術中冰凍切片分析，但前者耗時長且無法術中應用，后者準確性有限（常需術后二次確認），導致約7.5%-10%的病例存在腫瘤殘留（R1切除），嚴重影響患者預后。因此，亟需一種術中實時、高精度的腫瘤識別技術，以指導精準切除并保護功能組織。

圖1.顯微內窺鏡裝置示意圖[1]

該研究團隊開發(fā)了一種緊湊型剛性內窺鏡系統(tǒng)（圖1），其光源采用基于光參量放大的光纖激光器，并利用空芯光纖和多模光纖等結構收集傳輸信號。該系統(tǒng)整合了相干反斯托克斯拉曼散射（CARS）、雙光子激發(fā)熒光（TPEF）及二次諧波產生（SHG）三種非線性光學成像技術，結合機器學習與飛秒激光消融技術，實現了自動化的精準組織切除，為診斷與治療一體化提供了新方法。

圖2.（A）顯微內鏡成像結果，（B）HE染色結果[2]

圖2展示了顯微內鏡成像結果（A）與病理醫(yī)生標注的HE染色結果（B）。左側肌肉組織因富含脂質，激發(fā)較強的CARS信號（紅色）；癌癥基質中的膠原纖維和彈性蛋白產生SHG信號（藍色）；癌細胞代謝活躍導致NADH含量升高，在顯微內鏡成像中呈現更強的TPEF信號。結果顯示，內窺鏡成像結果與HE染色高度吻合，可清晰區(qū)分癌變區(qū)域。

圖3.（A）六類分類結果與對照，（B）兩類分類結果與對照[2]

研究團隊采集15名患者的20例頭頸腫瘤組織樣本，訓練了基于U-Net3+架構的深度學習模型，用于多模態(tài)圖像的語義分割。如圖3（A）所示，模型最初將組織分為六類（如健康上皮、腫瘤基質、壞死等），但由于患者年齡、性別及癌癥位置差異的影響，模型對癌細胞的區(qū)分能力不足。因此，團隊進一步將分類簡化為“需切除組織”（腫瘤、壞死、腫瘤基質）和“需保留組織”兩類。結果顯示（圖3B），模型對“需切除組織”的識別靈敏度達90%，特異性達96%，為術中實時診斷提供了可靠支持。

圖4.（A）處理前樣品的多模態(tài)非線性圖像，（B）處理后樣品的多模態(tài)非線性圖像[2]

為實現精準治療，研究團隊將飛秒激光消融系統(tǒng)整合至內窺鏡中，通過機器學習生成消融掩膜，全自動完成目標組織的選擇性切除。圖4（A）為未處理的膽固醇晶體內窺鏡成像，經模型處理后生成待切除區(qū)域（ROI），隨后利用飛秒激光消融技術切除了膽固醇晶體（圖4B）。在腦組織樣本中，飛秒激光成功選擇性消融了尺寸約數十微米的膽固醇晶體，且未損傷周圍組織。這一結果驗證了該技術在頭頸癌手術中實現精準切除的可行性。

本研究通過多模態(tài)內窺鏡成像、深度學習分析和飛秒激光消融技術的協(xié)同創(chuàng)新，為頭頸癌的術中精準診療提供了全新方案。該技術不僅能實現腫瘤的實時無標記檢測，還能在AI指導下完成高精度切除，為未來微創(chuàng)手術和功能保留治療開辟了新路徑。隨著技術的進一步優(yōu)化和臨床驗證，該平臺有望成為頭頸癌診療的重要工具。

參考文獻：

[1] Chenting L, Matteo C, Karl R et al. Design and test of a rigid endomicroscopic system for multimodal imaging and femtosecond laser ablation. Journal of biomedical optics, 2023, 28(6): 066004-066004.

[2] Calvarese M, Corbetta E, Contreras J et al. Endomicroscopic AI-driven morphochemical imaging and fs-laser ablation for selective tumor identification and selective tissue removal. Science advances, 2024, 10(50): eado9721.

       原文標題 : 醫(yī)用光學技術之三  AI驅動多模態(tài)內窺鏡成像與飛秒激光消融