黑色素瘤作为致死率最高的皮肤癌，每年造成全球约55,500例死亡。当前临床依赖切除活检和组织病理学评估肿瘤边界，但存在两大痛点：一是视觉判断易导致多次扩大切除，尤其在眼睑等敏感区域可能损伤功能；二是组织固定导致的样本收缩使病理测量存在系统误差。更棘手的是，现有超声、MRI等影像技术缺乏内源性分子对比度，无法术前无创测定关键指标Breslow's深度（肿瘤最深处距表皮颗粒层的毫米数）——这一参数直接决定手术切缘和预后评估。

针对这一技术空白，来自瑞典隆德大学的研究团队创新性地将多光谱光声成像（photoacoustic imaging, PAI）与深度学习结合，开发出全自动肿瘤分割框架。PAI通过激光激发组织产生超声信号，能同时获取结构信息和分子吸收特征。研究团队对31例患者离体样本进行690-970 nm范围内59个波长的PAI扫描，构建四维数据矩阵（三维空间+光谱维度）。通过K-means聚类自动区分高 melanin 吸收的"非健康"像素和健康组织，预留0.5 mm边界作为1D-CNN的分类区域。该模型采用光谱驱动（spectroscopy-driven）策略，每个患者独立训练，避免人群数据偏差。最终通过沙堆算法（sandpiles algorithm）构建能量场，驱动主动轮廓完成三维分割。

关键技术包括：1）Vevo LAZR-X系统获取59波长PAI数据（轴向分辨率50 μm）；2）K-means聚类自动生成患者特异性训练集；3）1D-CNN架构（含3个卷积层）分析光谱斜率特征；4）FILM谷歌网络插值实现0.1 mm级三维重建。

【2.1 生成训练数据】
通过PAI光谱强度差异，K-means将像素分为健康（蓝色）与非健康（红色）两类，保留未标记的灰色过渡区。图1B显示肿瘤区域在短波长吸收显著增强的特征曲线，验证了 melanin 的光谱指纹。

【2.2 CNN肿瘤深度预测】
1D-CNN对单像素光谱进行分类，概率>0.5判定为肿瘤。图2D显示预测Breslow's深度与病理结果相关系数0.74，系统性高估0.6 mm（因甲醛固定导致组织收缩），但符合临床安全切缘要求。

【2.3 自动肿瘤分割】
图3展示主动轮廓算法消除毛发等噪声干扰后的分割效果，与病理切片（图3C）形态高度一致，证明该方法能还原真实肿瘤架构。

【2.4 三维可视化】
通过帧插值技术（FILM）弥补0.5 mm层间分辨率差距，图4呈现的3D重建模型可多角度观察肿瘤-健康组织关系，为手术导航提供可能。

讨论部分指出，这是首个实现PAI数据全自动3D分割的研究，其核心突破在于：1）摆脱传统依赖标注图像训练的模式，利用光谱特征实现"无监督-有监督"混合学习；2）个体化建模规避了人群间 melanin 表达差异的干扰；3）整合强度（训练集生成）、光谱（分类）和空间（分割）三重信息维度。临床转化方面，该方法可在术中快速评估切缘（<5分钟），特别适用于莫氏显微手术（Mohs surgery）。未来需优化波长组合（当前使用59波长），并研究甲醛收缩效应的定量补偿。

该研究发表于《Photoacoustics》，为精准皮肤肿瘤诊断树立了新范式——不仅将深度学习从二维图像分析拓展至分子光谱维度，更通过"数字孪生"式三维重建，使"所见即所切"的个性化癌症治疗成为可能。随着PAI设备小型化发展，这套算法框架有望直接整合至术中导航系统，从根本上改变当前"切除-等待病理-再切除"的被动医疗流程。

转载请注明：可思数据 » 深度学习与多光谱光声成像技术联用推动黑色素瘤无创诊断新突破

免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com