高光譜顯微成像技術在癌症診斷中的應用

高光譜顯微成像技術（HMI）是将顯微成像技術與光譜技術相結合
，可以研究組織切片、細胞或微生物等樣本。利用HMI數據進行疾病的診斷可以得到較高的結果準確率、靈敏度和特異性，爲不同種類的癌症診斷和判别提供更爲有效的手段。本文結合研究資料和實際情況
，簡單總結瞭高光譜顯微成像技術在癌症診斷中的應用。

2006年Dicker等人使用高分辨率高光譜成像顯微鏡對良性和惡性真皮組織進行鑒别，其中系統光譜分辨率約爲1nm，波長範圍400-800nm。實驗分别採(cǎi)集不同放大倍數下不同厚度、染色的皮膚樣本，以確(què)定它們對光譜表征的影響。使用光譜波形互相關分析對光譜進行分類，結果表明隻要皮膚樣本染色和切片厚度得到控制，所有不同的皮膚組織都可以被客觀地區分。

2012年Hsieh等人開發瞭(le)中繼透鏡高光譜顯微成像系統，用於(yú)癌症診斷。該系統具有透射和熒光模式。透射率可以爲病理診斷提供形态學信息，熒光模式可以爲正常或異常細胞或組織提供熒光特征。通過對20隻小鼠的早期口腔癌進行體外診斷，結果表明鑒定正常細胞和SCC的最佳靈敏度爲100%，最佳特異性爲99%，鑒定正常細胞和發育不良痣的最佳靈敏度爲99%，最佳特異性爲97%。

2015年Zhu等人利用高光譜顯微成像系統區分正常/癌變胃細胞，實驗樣品爲蘇木精伊紅（H&E）染色組織切片。由於(yú)正常細胞和癌細胞之間的pH不同，二者之間的透射光譜有明顯的特征，最終利用該特征訓練的反向傳播算法程序得到癌細胞識别的平均準確(què)率爲95%。

2018年黃等人利用HMI系統採集MM數據，並(bìng)提出瞭(le)一種基於特征譜的監督最小二乘支持向量機方法對MM細胞進行分割。該方法基於傳統的最小二乘支持向量機算法，選擇目标樣本的特征譜作爲參考，最終對MM細胞的分割精度爲85%。

2019年Chen等人基於(yú)正常細胞和癌細胞的核染色質含量和分布的差異，利用高光譜顯微鏡採(cǎi)集H&E染色的肝癌組織的細胞核的透射光譜進行肝癌組織鑒别。使用細胞核的透射光譜來訓練用於(yú)細胞分類的支持向量機（SVM）模型。最終對癌細胞鑒定的敏感性和特異性分别爲99%和98%。圖1.4所示爲系統採(cǎi)集的癌細胞和正常細胞的HMI數據。

2020年Liu等人提出混合光聲和高光譜雙模态顯微鏡，利用該系統對患有MM和SCC的小鼠耳進行成像，其中光譜範圍400-600nm，光譜分辨率約爲5nm，獲得的小鼠耳朵的高光譜圖像和光聲圖像。光聲圖像由於其穿透深度較深，可以顯示出表皮下複雜而豐富的微血管網絡，高光譜成像則提供精細的皮膚表面圖像，從而獲得全方位的皮膚結構信息。實驗結果表明，MM和cSCC在形态和生理變化上存在明顯差異，從而驗證瞭(le)所提出的系統能夠更清晰地瞭(le)解血管動态變化，並(bìng)證明該方法可以用作皮膚癌鑒定和評估的可靠和有用的方法。

2020年Leon 等人利用HMI系統（波長範圍爲450-950nm，共有125個波段）採集61例患者76幅色素性皮膚病變圖像的數據，並(bìng)對其進行标記，将其分爲良、惡性兩類。同時提出瞭(le)一種基於無監督算法和監督算法相結合的色素性皮膚病變自動識别和分類處理框架。對色素性皮膚病變良惡性鑒别診斷的敏感性和特異性分别爲87.5%和100%。

2021年Courtenay等人将HMI系統與兩種無監督異常檢測(cè)算法（Reed-Xiaoli和Reed-Xiaoli/Uniform Target）相結合自動(dòng)區分BCC和正常皮膚。結果表明，Reed-Xiaoli/Uniform Target 算法和Reed-Xiaoli算法均能對BCC和正常皮膚進行區分，且曲線下面積分别爲0.7074和0.8607。