脑瘤术中病理迎来颠覆：AI智能组织学数秒内读出肿瘤类型，准确率超90%

　　术中快速且准确地完成手术标本组织学分析的价值，早在百余年前就已被学界确认。当前术中病理学的标准流程依托光学显微镜与H&E组织学展开，存在耗时偏长、资源消耗大、且不具备实时数字成像能力的局限。INC旗下世界神经外科顾问团（WANG）成员、美国神经外科学院前主席、加州大学旧金山分校（UCSF）神经外科系教授兼主任（1997年至今）Mitchel S. Berger教授团队，近期发表研究《Intelligent histology for tumor neurosurgery》，介绍了一种名为"AI智能组织学"的新兴术中组织学分析方法——将人工智能与受激拉曼组织学（SRH）相结合，SRH作为一种快速、无标记的数字成像手段，可实现对肿瘤组织的实时显微分析，数秒内即可生成病变组织的高分辨率数字图像，再由AI完成肿瘤组织学及分子分类、肿瘤浸润检测。

SRH无标记成像的技术原理

　　受激拉曼散射属于基于拉曼散射的振动显微技术，无需荧光标记或染色染料即可生成高分辨率图像，由Freudiger等人于2008年首次描述。与同类光学成像方法相比，SRH的一项核心优势在于：拉曼信号强度与生物组织内大分子浓度成正比，组织内脂质、蛋白质、核酸的生化浓度差异直接构成了无标记图像对比度。自发拉曼光谱虽已用于神经外科场景，但SRH在图像采集与组织分析层面的信噪比可提升千倍以上，信噪比的抬高推动了其临床转化与应用落地。

　　2012至2016年间一系列临床前突破之后，Orringer等人完成了SRH的决定性临床转化。临床级SRH成像仪为基于便携式光纤激光器的受激拉曼散射显微镜，可在床旁对新鲜、未处理的手术标本成像，耗时控制在活检后数分钟内。SRH可捕获高分辨率数字图像，供病理医师与外科医生开展实时组织学分析。研究团队同时开发了虚拟H&E染色方法，用于给双通道灰度SRH图像上色，可服务于术中病理学场景。术中肿瘤分类环节，SRH与标准H&E病理学的病理医师诊断一致性良好；且SRH具备非消耗、非破坏特性——成像后的标本仍可送交下游病理学检查，不会降低诊断产出。上述结果证实了SRH工作流用于组织分析与诊断的可行性。

AI智能组织学的临床转化路径

　　术中病理学的核心作用在于分析手术组织并及时回传组织学诊断，为手术决策提供依据。2020年一项研究基于逾250万张SRH图像训练卷积神经网络，对神经外科肿瘤领域最常见的13类组织学诊断做分类。一项前瞻性临床试验中，SRH-CNN的诊断准确率达93.1%，与采用标准H&E组织学的病理医师水平相当，但速度提升一个数量级。CNN模型可识别SRH图像中具备可解释性的组织学特征；此外SRH-CNN模型还可捕捉与肿瘤恶性及进展相关的已知组织学特征，并借此区分低级别与高级别胶质瘤。一项后续研究对原始SRH-CNN模型做微调，用于区分肿瘤复发与治疗效应/假性进展——该任务对术中病理学具备挑战性，因前期治疗可能诱发与肿瘤复发相似的组织学改变；该模型在复发性弥漫性胶质瘤患者的外部测试队列中分类准确率达95.8%。

01 中枢神经系统肿瘤的组织学与分子诊断

　　术中区分可切除与不可切除肿瘤，对明确手术目标至关重要。Reinecke等人开发了RapidLymphoma，依托智能组织学检测并分类原发性中枢神经系统淋巴瘤。因淋巴瘤在中枢神经系统中发病率低于其他同类肿瘤，RapidLymphoma的一项主要创新是采用自监督预训练。一项前瞻性多中心测试队列中，RapidLymphoma检测原发性CNS淋巴瘤的总体平衡准确率达97.8%，优于冰冻切片表现。Scheffle等人的一项关联创新工作，使用开源计算病理学模型CTransPath做自动化SRH特征提取与淋巴瘤分类——据研究团队所知，这是首次将现成计算病理学模型集成用于SRH微调，关键之处在于，其使用显著更小的训练数据集即达成了与RapidLymphoma相当的分类性能。

　　传统术中病理学不提供分子数据，而智能组织学具备从SRH图像预测分子标志物的潜力，可为手术目标设定提供参考信息。

02 手术切缘分析

　　在脑肿瘤治疗中，安全前提下的最大范围切除这一理念已得到长期验证。在多数脑肿瘤诊断场景下，术后残留肿瘤负荷是总体预后偏差的核心风险因素；遗憾的是，临床研究显示大量患者（可能为大多数）并未接受到最优手术处理——弥漫性胶质瘤患者中，30%的切除缘可检出本可安全切除的密集肿瘤浸润。

　　在前期工作基础上，Reinecke等人证实，组织学分类模型可用于肿瘤浸润检测，并于一项大型外部队列中验证了该方法。FastGlioma为一种面向胶质瘤浸润快速检测手术切缘的智能组织学模型；一项国际多中心弥漫性胶质瘤患者测试队列中，FastGlioma可检测并量化肿瘤浸润程度，且显示出协助其他成人及儿童脑肿瘤手术的潜力。

03 患者预后预测

　　预后预测堪称精准医学中最重要的AI任务之一。预后判断的本质是基于历史与当前数据推断未来事件，受限于数据量及不可预见或随机事件，属于难度较高的机器学习任务。近期计算病理学研究中，已有团队尝试基于H&E图像与遗传数据对癌症患者生存做分层；虽属重要进展，但因未纳入其他关键预后信息，该类策略的产出仍属次优，这也进一步凸显了多模态模型在患者预后预测中的价值。当前有多模态智能组织学研究正在推进，拟整合患者人口学、临床、影像学、手术及病理学信息，对弥漫性胶质瘤患者生存做分层。

结论

　　智能组织学正在重构术中病理的传统工作模式，AI的介入使诊断速度提升，同时也加深了对肿瘤本身特征的理解，最终获益方既包括患者，也涵盖整个神经外科领域。