應用方向：高光譜成像技術能夠同時獲取組織的空間結構與連續窄帶光譜信息，揭示傳統影像難以捕捉的微觀生化差異。本研究證明，HSI 可在無染色條件下以 95% 的準確率區分肝細胞癌與肝內膽管癌，顯示其在醫學診斷中的重要潛力。基于此，高光譜成像未來可廣泛應用于腫瘤精細分型與早期篩查、術中快速診斷與切緣判斷、病理切片的數字化與智能分類、組織微環境與代謝狀態分析等方向。HSI 有望成為推動精準醫療和智能病理診斷的重要新型成像技術。

背景：

原發性肝癌是全*第六大常見惡性腫瘤、第三大致死性癌癥，其中肝細胞癌（HCC）與肝內膽管癌（ICC）占比高達95%。兩者雖來源不同（肝細胞與膽管上皮細胞），但在影像學與臨床表現上極為相似，給病理分型帶來巨大挑戰。現有的CT、MRI等影像技術在區分兩種腫瘤時準確率有限，而血清標志物（AFP、CA19-9）亦因靈敏度與特異性不足，無法實現可靠區分。

隨著人工智能與深度學習技術的發展，基于放射組學與病理圖像的智能診斷模型已被提出，但受限于傳統影像的低光譜分辨率，難以捕捉組織在分子層面的微弱差異。相比之下，高光譜成像（HSI）具有納米級光譜分辨率，能在可見–近紅外波段內獲取數百個連續窄帶，揭示組織的精細光學特性。因此，該研究以高光譜成像為核心，結合強化學習與三維卷積神經網絡，旨在實現肝細胞癌與肝內膽管癌的快速、準確、無*區分，為術中實時病理診斷提供智能化解決方案。

作者信息：李瑋，山東大學控制科學與工程學院

期刊來源：Journal of Biophotonics

研究內容

本研究圍繞肝細胞癌（HCC）與肝內膽管癌（ICC）的快速、精準分型診斷，提出了一套融合HSI、強化學習和三維深度神經網絡的智能診斷方法。研究首先構建了覆蓋 400–1000 nm 的臨床高光譜肝腫瘤數據庫，對131份組織樣本進行光譜采集與預處理；隨后利用近端策略優化（PPO）的強化學習算法進行光譜波段智能選擇，以壓縮高維光譜中的冗余信息并保留*具判別力的特征；最終將所選特征輸入融合通道注意力與空間注意力機制的 3D-ResNet 網絡，實現對 HCC 與 ICC 的自動分類。研究目的在于突破術中冰凍切片診斷耗時、依賴經驗強、準確率有限的局限，探索一種可在術中快速提供可靠組織學判斷的新路徑，為精準肝癌手術決策提供高效、客觀的技術支撐。

實驗設計

本研究的肝腫瘤樣本在山東大學齊魯醫院病理科隨機獲取。共有 131 個樣本納入本研究（其中 68 例為 HCC，63 例為 ICC）。在 20× 顯微物鏡下采集了多個互不重疊的視野（FOV），以實現適度的空間過采樣，同時在測試集中保持患者級別的獨立性。

本研究所使用的顯微高光譜成像系統由 GaiaMicro 和雙利合譜光譜成像模塊組成。系統主要由推掃式高光譜相機、氙燈光源和顯微鏡單元構成。實驗采用的 GaiaField 系統集成了一套基于光柵光譜儀模塊的高精度高光譜（HSI）傳感器，并以推掃方式進行數據采集。該配置能夠實時獲取視場中單條空間線的光譜數據，并重建為完整的高光譜數據立方體。光譜儀采用光柵色散機制，其狹縫尺寸為 30 μm × 9.6 mm（寬 × 長）。

研究方法

為解決肝臟腫瘤術中精準分型的臨床難題，本研究提出了一種融合HSI與深度強化學習的全新診斷框架，旨在克服傳統方法在光譜特征利用效率和診斷特異性方面的不足。

該模型由兩個主要部分組成。首先，采用基于強化學習的波段選擇方法對高度冗余的高光譜數據進行降維，將其轉換為更適合深度學習網絡計算的低維表示。隨后，降維后的數據被輸入到融合了通道注意力和空間注意力機制的、基于ResNet18的模型中，以生成最終的分類結果（圖 1）。

具體而言，在波段選擇階段，通過將光譜維度建模為馬爾可夫決策過程（MDP），引入近端策略優化（PPO）強化學習算法，并結合隨機掩膜預訓練的 RewardNet 評價網絡，實現高維光譜中冗余波段的自動壓縮與*優特征子集的選擇（圖2）。在分類階段，研究提出了融合注意力機制的三維殘差神經網絡（3D-ResNet）網絡結構，結合五級三維卷積模塊與 SE 通道注意力，對經過降維的高光譜數據進行深度空間–光譜特征提取與分類。

圖1  研究流程圖。(a) 高光譜圖像采集；(b) 波段選擇的強化學習優化過程；(c) 對精選波段后的高光譜圖像進行判別分類。

圖2  基于近端優化策略的強化學習高光譜波段選擇算法

結果

圖3展示了HSI獲取的HCC與ICC組織平均光譜反射率曲線。如圖所示，兩者在多個波段差異顯著，尤其在550 nm和600 nm附近出現明顯反射谷。HCC整體反射率低于ICC，光譜差異為使用高光譜數據進行腫瘤分類提供了有價值的基礎，并突出了HSI在表征肝內腫瘤異質性方面的潛力。

圖3  HCC與ICC光譜曲線對比

為驗證所提出方法的有效性和優*性，本研究將其與多種主流的傳統波段選擇方法進行了對比實驗。這些對比方法包括隨機蛙跳算法（RFA）和逐步投影算法（SPA），以及近年來在遙感領域廣泛應用的 DSEBS和 OCF方法。由于高光譜數據本質上具有三維結構，若直接將完整數據輸入模型會帶來巨大的計算負擔，因此本研究采用各方法選取后的波段數據作為模型輸入進行比較。作者使用 3D-ResNet18 分類器，從準確率、精確率、召回率、F1 分數、AUC 和 MCC 等多個指標全面評估各波段選擇方法的性能。

實驗結果顯示，本研究提出的基于強化學習的波段選擇算法在區分 HCC 與 ICC 的所有性能指標上均優于其他方法，充分驗證了該方法的優*性（見圖4）。

圖4 混淆矩陣與ROC曲線（類別0：肝細胞癌HCC；類別1：肝內膽管癌ICC）

結論

本研究創新性地提出一種融合HSI、強化學習與深度學習的肝臟病理切片快速術中分類方法。通過 PPO 強化學習算法，從高維高光譜數據中高效提取與診斷相關的波段信息。實驗結果顯示，所提模型平均分類準確率達 95%，優于現有主流波段選擇方法。研究證實，HSI 與*進強化學習、深度學習模型的融合，不僅提供了豐富的光譜信息，還顯著提升了肝臟腫瘤診斷的一致性與精準性。該技術突破為HCC與ICC的精準診療開辟了新路徑，其強大的特征提取能力有望推動個體化醫療發展，使臨床醫生能夠根據患者個體病理特征制定個性化治療方案，為術中病理診斷的智能化發展提供了關鍵技術支撐，具有重要的臨床應用價值。