基于可见-近红外高光谱成像与轻量化深度学习网络的低级别软骨肉瘤与骨软骨瘤鉴别新方法

本研究针对低级别软骨肉瘤（LGC）与骨软骨瘤（OC）鉴别诊断难题，开发了基于400–1000?nm高光谱成像技术结合轻量级深度学习网络ChondroSpecNet的新方法，实现训练集AUC 0.92、独立测试集AUC 0.83的优异性能，为软骨肿瘤术中实时诊断提供可部署解决方案。

　　

通过可见-近红外高光谱成像技术（400–1000?nm）结合轻量化深度学习架构，研究人员实现了对低级别软骨肉瘤（LGC）和骨软骨瘤（OC）的精准鉴别。光谱数据经过反射率校准、Savitzky–Golay平滑处理及420–850?nm波段裁剪后，提取了单波段反射率、关键波段比值和源自生物信息富集区域的主成分分析（PCA）成分等多层次特征。

团队创新性开发了ChondroSpecNet网络——一种融合多尺度卷积与残差压缩激励模块的一维卷积神经网络（1D-CNN），实现了端到端的分类决策。该模型在训练集中达到0.92的曲线下面积（AUC）和87%的准确率，在独立测试集上仍保持0.83的AUC与86%的准确率。贡献度分析揭示可见波段的吸收谷（特别是472?nm、467?nm和501?nm波段）通过绝对差值与标准化比值成为最具判别力的特征。

该研究表明，高光谱显微成像技术结合紧凑型神经网络不仅能实现软骨肿瘤的高精度鉴别，更具备实时部署能力，为临床工作流程提供了兼具鲁棒性与可扩展性的诊断新方案。作者声明本研究不存在利益冲突。