人工智能结合光谱诊断技术在肺癌组织鉴别领域的应用与研究进展

罗 艺 秦 齐 王沛豪 郭康顺 张鑫平 崔 永

(首都医科大学附属北京友谊医院胸外科,北京 100050)

肺癌是世界上第二大常见的恶性肿瘤,是世界上病死率最高的癌症,同时也是癌症相关死亡的主要原因[1]。非小细胞肺癌(non-small-cell lung carcinoma,NSCLC)占所有肺癌病例的80%～85%,早期NSCLC以手术治疗为主,肿瘤根治性切除后5年生存率约70%～80%[2]。早期NSCLC以肺腺癌为主,依据浸润程度分为不典型腺瘤样增生(atypical adenomatous hyperplasia,AAH)、原位腺癌(adenocarcinoma in situ,AIS)、微腺癌(minimally invasive adenocarcinoma,MIA)和浸润腺癌(invasive adenocarcinoma,IAC)。其中AAH、AIS和MIA的5年生存率接近100%,远高于IAC的5年生存率60%[3]。肺结节专家共识[3]中对于上述不同病理亚型的早期肺腺癌的处理方式略有差异,主要是根据术中冰冻明确病变性质后决定手术方式和淋巴结清扫范围。然而术中冰冻诊断肺腺癌的浸润程度准确率为80%～90%[4-5],也就预示着有超过10%的患者在浸润程度不清或错误的情况下采用了不恰当的术式,这不符合精准治疗的理念,过多的切除也不符合快速康复理念和肺保护原则[6]。目前关于组织性质的快速诊断和原位鉴别诊断的研究层出不穷,尤其是以人工智能(artificial intelligence,AI)结合光谱技术为核心的快速诊断技术进展迅速。

肿瘤的发生发展是一个复杂的动态过程,伴随着细胞、组织和微环境的化学和生物化学变化,造成了它与正常组织在细胞形态、蛋白质、脂肪、核酸和代谢产物方面的含量差异化。大量研究[7-11]显示,高光谱成像(hyper spectral imaging,HSI)、拉曼光谱(Raman spectroscopy,RS)、漫反射光谱(diffuse reflectance spectroscopy,DRS)和荧光光谱(fluorescence spectrum,FS)等光谱技术可收集组织高度特异性的信息,用于区分离体病变组织与正常组织,在鉴别组织良恶性方面也有极高的灵敏度和特异度。不同于术中冰冻诊断只能通过细胞形态等信息加以区分,光谱诊断技术检测速度快、灵敏度高,而且可以从上述多个角度反映组织信息,其量化结果更易被患者和临床大夫所理解。AI和深度学习是光谱数据分析的重要工具,本文就当前光谱技术在肺癌鉴别诊断领域的相关研究及AI 的应用进行系统综述,以阐明AI结合光谱技术的诊断价值与应用前景。

1 白光成像(white light imaging,WLI)

WLI如图1[12],通过白光观察异常黏膜改变,对疾病进行初步诊断,在肺癌领域主要用于支气管镜检测。在其基础上衍生而来的窄带光谱(narrow band imaging,NBI)和HSI可探测目标的二维几何空间及一维光谱信息,使内镜早癌诊断的灵敏度及准确率均有大幅提高[13]。Zhu等[7]统计了6篇WLI技术在肺癌领域应用的研究,比较WLI和NBI检测早期肺癌和浸润性肺癌的灵敏度和特异度,其NBI的汇总灵敏度和特异度分别为86%(95%CI:83%～88%)和81%(95%CI:77%～84%),白光支气管镜的汇总灵敏度和特异度分别为70%(95%CI:66%～74%)和66%(95%CI:62%～70%)。WLI可以进行肺癌组织和正常支气管组织之间的鉴别诊断,有研究者[14]开发AI用于实时评估结直肠息肉的NBI内窥镜视频图像,该模型的准确率为94%,灵敏度为98%。Zhang等[15]使用三维卷积神经网络对微观高光谱图像中呈现的肺癌进行分类,最终总体精度(overall accuracy,OA)为0.962,精确度、召回率和Kappa均值超过0.920。WLI的诊断原理及其分辨能力决定了其不足以实现肺癌术中浸润程度的诊断。

图1 白光成像和窄带光谱[12]Fig.1 WLI &NBI[12]

2 RS

当光被组织中的化学键吸收导致非弹性散射,将导致光的能量降低,波长变长。波长的偏移包含了组织中不同振动模式的信息,因此散射光子的频率包含了振动中最具拉曼活性模式的信息[16]。人体组织拉曼带的常见来源是蛋白质、核酸和脂质等,常用的激发波长范围为700～1 100 nm,因为此时组织和体液的光吸收和自身荧光最小,而渗透深度较高[17]。通过对比肺癌组织和正常组织的RS,可发现其是能反映组织病变信息的特征光谱[18]。

目前RS技术及其衍生技术如拉曼微光谱、表面增强拉曼散射、近红外拉曼光谱、相干拉曼散射、共振拉曼光谱和空间位移拉曼光谱等使RS的检测结果愈发精准,应用范围愈发广泛。已有大量研究[19-21]表明,RS诊断可以用于口腔癌、乳腺癌、食管癌、结直肠癌等多种癌症。Wang等[22]使用RS检测外周静脉血RS强度,发现可以通过血清样本区分正常患者和肺癌患者,且分期越晚,RS强度越低。唐伟跃等[23]应用共焦显微RS技术发现肺癌和癌旁组织在部分波段光谱强度差异明显,这或许对应着肺癌演变过程中的组织形态、细胞内构成发生了质的改变。Chen等[24]研究了RS在肺癌诊断中的整体性能,通过12篇相关研究的Meta分析,发现RS在肺癌中的汇总诊断灵敏度和特异度分别为90%(95%CI:87%～92%,P<0.05)和76%(95%CI:72%～79%,P<0.05)。Zheng等[25]的研究使用支持向量机和随机森林算法分析辅助区分正常组织和肺癌组织,其准确率甚至接近99%。因术中为保证切缘阴性常规远离病灶2 cm,RS仅区分肺癌组织与正常组织,在临床中的应用价值不大。Kothari等[26]使用两种机械学习方法(K-Means &K-NN)处理RS采集的乳腺癌和正常乳腺组织的光谱信息(图2),其中K-Means预测产生的聚类模型具有 93.2%～94.6%的准确率、89.8%～91.8%的灵敏度和100%的特异度。Weng等[27]采用RS结合深度学习模型区分肺癌组织,其诊断正常肺组织、小细胞肺癌、腺癌及鳞癌的准确率能达到89.2%。这是当前最接近临床的实际应用,然而Weng等[27]采用新鲜组织快速冰冻后解冻30 min再进行光谱检测及病理诊断,与传统术中冰冻诊断过程重复,且无明显诊断优势。总体而言,RS诊断技术具有区分肺癌组织和正常组织的能力,在区分不同肺部肿瘤组织上也有不俗表现,其结合AI后诊断效能大幅提升。但当前研究没有进行新鲜离体组织快速诊断以及术中原位诊断,这或许是RS诊断替代术中冰冻技术的突破点。

图2 拉曼光谱 [26]Fig.2 Raman spectroscopy [26]Laser Raman spectroscopy (A&B) of normal breast tissue and breast cancer tissue.

3 DRS

当光线射入组织表面,一部分光在表层产生镜面反射;另一部分光折射进入组织内部,经过部分吸收后再次返回组织表层,如此数次重复,最终从组织各个方向反射出来,即为DRS。DRS包含组织的微观结构、生化组成和氧合情况等信息,从而实现组织识别。

DRS在结直肠癌、乳腺癌、皮肤癌等多个领域均有应用,Evers等[28]希望通过DRS提高肺结节活检过程的定位准确性,使用DRS分析离体的肺组织,发现DRS区分肿瘤与正常肺组织的灵敏度和特异度分别为89%和79%,总体准确率为84%,后续还对乳腺癌患者乳腺组织进行体外DRS测量并与术后病理对比,其区分正常乳腺组织和肿瘤组织的准确率为89%[29],另一类似研究[30]的诊断准确率达到94%。 Spliethoff等[31]在经皮肺活检过程中使用带有集成DRS的活检针进行乳腺癌体内实时组织检测(图3),在术中测量的21例患者中,肿瘤与周围组织的水散射比产生56%～81%的对比度差异,并且不受血液影响,该技术或有助于提高组织病理学分析的成功活检率。单独的DRS诊断肺癌其整体诊断准确率不及RS,但DRS 特异性识别氧合情况和组织含水量,在术中原位诊断或穿刺活检过程可以避免血液干扰。目前DRS与AI结合诊断肺癌的研究较少,但AI辅助病理诊断是大势所趋,DRS结合AI 辅助病理诊断或是今后的研究方向[32]。

图3 DRS[31]Fig.3 Diffuse reflectance spectra[31]

4 FS

人体组织内含荧光团的物质主要为氨基酸、结构蛋白、酶、辅酶、脂肪、维生素和卟啉等[33]。当荧光团所在分子吸收激光能量后,即可从基态跃迁至激发态,处于激发态的分子通过弛豫降落至第一电子激发态的最低振动能级,紧接着再由这个最低振动能级以辐射弛豫的形式跃迁到基态,从而发出分子荧光[34]。组织在癌变过程中,细胞异常的新陈代谢将引起荧光物质的浓度发生变化,因此可根据组织自体FS的差异区分正常和癌变组织。

FS作为最为敏感的光谱技术,常被用于分析血清样本。2001年,张文等[35]就验证了激光诱发荧光技术(laser induced fluorescence,LIF)在离体环境下区分肺癌组织和正常肺组织上的可行性,其灵敏度和特异度分别为93.2%和88.1%。后续吴维超[36]使用基于神经网络的荧光光谱和肿瘤标志联合检测进行血清学肺癌检测,建立了肺癌卷积神经网络诊断模型,发现荧光光谱联合肿瘤标志物模型的灵敏度、特异度和准确率均远远优于二者独立预测,并认为神经网络模型可以作为肺癌的辅助诊断筛查手段。然而血清学检测需要繁琐的预处理,其最佳应用或为肺癌筛查。Kennedy等[37]开发了一种可以安装在活检针中的柔性近红外共聚焦激光内窥镜系统,在活检过程中检测肿瘤荧光实现细胞水平的癌症检测(图4),发现正常肺组织的平均荧光强度为6.4 A.U. 肿瘤组织的平均荧光强度为20.6 A.U.P<0.001。目前,FS在乳腺癌等肿瘤诊断领域[38]和肺癌探针活检领域优势突出,但暂无肺癌组织浸润程度诊断方面的研究。FS具有灵敏度高、选择性强等特点,可作为其他光谱诊断的补充手段。

图4 FS:正常肺和不同肺肿瘤的实时NIR-nCLE成像[37]Fig.4 Fluorescence spectrum, real-time NIR-nCLE imaging of normal lung and different lung tumors[37]NIR-nCLE: near-infrared needle-based confocal laser endomicroscopy.

5 多光谱诊断

WLI、RS、DRS和FS的诊断原理各不相同,各自从不同维度检测组织内部差异,各光谱技术对比详见表1。多光谱(multispectral spectrum,MS)技术是通过人工智能分类模型,给予不同光谱技术权重,从多维度分析组织信息,从而实现组织分类诊断。

表1 各光谱技术对比Tab.1 Comparison of spectral techniques

Jermyn等[39]设计了一种结合内在FS、DRS和RS的原位术中无标记光学癌症检测系统。该系统利用多种AI分析方法处理光谱数据,可以原位检测脑、肺、结肠癌和皮肤癌,准确率、灵敏度和特异度分别为97%、100%和93%。Lin等[40]开发了一个集成白光成像、RS、DRS和FS的4模态内窥镜系统,采用主成分分析和线性判别分析精选数据处理分类。并用该系统进行了鼻咽癌检测的临床试验,其诊断灵敏度和特异度分别为98.6%和95.1%。国内一款最新的多光谱智能分析设备[41]集成FS和反射光谱,采集223例新鲜离体的肺癌组织和正常组织的光谱信息(图5),建立神经网络模型进行自动化诊断,并与术中冰冻诊断技术做对比,其临床验证组(40例)光谱诊断和FS诊断准确率均为67.50%(27/40),二者联合诊断的AUC为0.949(95%CI: 0.878～1.000,P<0.05),准确率为95.00%(38/40)。MS诊断系统通过集成各种光谱的优势可以实现肿瘤原位即时诊断,在寻找肿瘤方面与术中冰冻技术相当。但就浸润程度区分而言,暂无一款可与术中冰冻技术相提并论的光谱分析仪或光谱诊断技术。AI可以辅助分析光谱数据背后的疾病特征,当前研究均受限于数据库较小,无法进行相关性分析。有理由认为,通过大量光谱数据训练,AI结合多光谱分析或许可以寻找到区分不同肺癌不同浸润程度,区分不同病理类型的特征光谱。

图5 多光谱[41]Fig.5 Multispectral[41]

6 讨论

综上可见不同光谱在特定领域诊断优势明显,但均不能单独解决术中快速鉴别肺癌的临床问题,且与术中冰冻技术相比,多光谱诊断技术在诊断准确率方面并无显著优势,仅少量研究持平[41]。一方面,当前肺癌领域快速诊断研究尚少,各光谱技术在肺癌领域应用多局限于离体组织甚至石蜡切片,暂无大样本研究采集肺癌光谱数据进行AI分析,大型光谱数据库或许可解决当前光谱技术诊断效能不足的问题;另外多光谱诊断技术可弥补单一光谱信息采集导致的信息缺失,更详细地组织光谱信息也有利于AI分类。另一方面,若将光谱分析技术定位为辅助诊断技术或补充诊断技术,作为术中冰冻诊断的有效补充,可提高冰冻诊断准确率[41]。

7 结语

光谱技术在诊断包括感染、炎症和各种癌症在内的人类疾病方面具有巨大的潜力。随着光学技术和AI分类的不断发展,光谱诊断技术具有准确、快速、便携等特点;AI具有较强的数据分析和处理能力,可以定性定量诊断,二者必将在医学诊断领域占据越来越重要的地位。当前大多数研究还停留在肿瘤良恶性鉴别和确定肿瘤边界,但已有相关研究[41-43]证明其在区分浸润程度、预后指导等领域的作用。有理由认为,通过技术改造、优化分类模型,以及AI等手段,光谱诊断技术的准确性还有提升空间。有望实现辅助甚至取代术中冰冻诊断肺浸润性腺癌,从而解决术中冰冻诊断不确切和误诊的困境。预计在不久的将来,这些结合的方法将提供更多的解决方案,不仅用于解决癌症诊断,而且还有助于更清楚地了解其他疾病的发生发展过程,从而为临床个体精准化治疗提供理论依据。

利益冲突所有作者均声明不存在利益冲突。

作者贡献声明罗艺、秦齐、王沛豪、郭康顺、张鑫平:撰写并修改论文;崔永:提出文章整体思路,审定和修改论文。