基于VELscope内源荧光成像与干血清拉曼光谱的多模态特征融合在口腔癌前病变与恶性病变分类中的研究

《Photodiagnosis and Photodynamic Therapy》：Combined feature-based classification of premalignant and malignant oral lesions using VELscope endogenous fluorescence imaging and dry serum Raman spectroscopy

本研究针对口腔癌前病变与恶性病变鉴别诊断的临床难题，创新性地结合VELscope内源荧光成像与干血清拉曼光谱技术，通过特征融合与高斯朴素贝叶斯分类器，实现了86%的分类准确率与0.94的PR曲线下面积，为口腔癌早期诊断提供了高精度、非侵入性的多模态解决方案。

　　

口腔癌，尤其是口腔鳞状细胞癌(OSCC)，是常见的头颈部恶性肿瘤，约占所有口腔癌的90%。尽管治疗手段不断进步，但OSCC患者五年生存率仍徘徊在50%左右，这很大程度上归因于多数病例确诊时已处于晚期。早期发现和干预被公认为是提高生存率、改善预后的关键。然而，传统的诊断方法，如视觉检查、活检和组织病理学，存在主观性强、有创、可能导致患者不适、存在采样误差以及诊断延迟等诸多局限性。这些方法往往在疾病进展到晚期才能检测出恶性肿瘤，显著影响了治疗效果。因此，临床迫切需要一种快速、非侵入性、客观且可靠的诊断替代方案。

在此背景下，光学诊断技术展现出巨大潜力。其中，拉曼光谱(Raman spectroscopy)作为一种无标记的振动光谱技术，能够通过测量光与物质相互作用后产生的非弹性散射光，获取样品独特的分子“指纹”信息。它已被广泛探索用于区分正常、癌前病变和恶性口腔组织或血液样本，能够追踪与疾病相关的细微分子变化。另一方面，VELscope是一种手持式内源荧光成像(Endogenous Fluorescence Imaging)设备。它发射400-460 nm的蓝光，激发口腔黏膜内固有的荧光物质（即内源荧光团，如烟酰胺腺嘌呤二核苷酸(NADH)和黄素腺嘌呤二核苷酸(FAD)）。正常组织在蓝光激发下会发出特定的荧光，而癌前或恶性病变由于组织结构和代谢的改变（如细胞密度增加、胶原蛋白降解等），会导致荧光强度减弱或消失，即出现荧光可视化丢失(FVL)现象。虽然VELscope对检测口腔病变具有高灵敏度，但其区分高风险（恶性）和低风险（癌前）病变的能力有限。

认识到单一模态的局限性，研究人员开始探索将多种技术结合的多模态诊断策略。将能够提供组织形态和代谢信息的VELscope内源荧光成像，与能够揭示深层生化成分变化的拉曼光谱相结合，有望优势互补，提供更全面、更准确的诊断依据。本研究正是基于这一思路，旨在开发一种新颖的多模态诊断框架，通过整合VELscope内源荧光成像和干血清拉曼光谱的特征，来区分口腔癌前病变和恶性病变。

本研究由Mukta Sharma、Chia-Lung Tsai、M.V. Arularasu、Shiang-Fu Huang、Yu-Li Hsieh和Liann-Be Chang合作完成，论文发表在《Photodiagnosis and Photodynamic Therapy》期刊上。

为开展此项研究，研究人员主要应用了以下几项关键技术：首先，他们建立了包含66名经组织学证实为口腔病变（41例恶性，25例癌前病变）的患者队列，样本来源于长庚纪念医院耳鼻咽喉头颈外科；其次，使用VELscope VX系统进行口腔内源荧光图像采集，并利用共聚焦拉曼光谱系统（532 nm激光）对患者术中获取并处理的血清样本进行拉曼光谱测量；最后，采用主成分分析(PCA)进行数据降维和特征提取，并运用高斯朴素贝叶斯(Gaussian Na?ve Bayes)分类器对融合后的多模态特征进行分类模型构建与评估，通过分层5折交叉验证确保结果的稳健性。

3.1. 内源荧光成像结果

研究人员展示了癌前和恶性病变的代表性内源荧光图像及对应的拉曼光谱。通过定量图像处理分析发现，恶性病变的荧光强度 consistently 低于癌前病变，这反映了恶性肿瘤中组织结构完整性的丧失和代谢状态的改变。这些从内源荧光图像中提取的特征，代表了组织水平的荧光特性，与拉曼光谱提供的分子信息形成了互补。

3.2. 光谱分析

对干血清样本的平均拉曼光谱分析揭示了癌前与恶性组别间的显著差异。癌前样本在1007 cm^-1、1154 cm^-1和1515 cm^-1处的拉曼峰强度更高，这些峰与类胡萝卜素的C=C伸缩振动有关。而恶性样本则在835 cm^-1（酪氨酸）、1335 cm^-1（蛋白质/脂质的CH2/CH3变形振动）、1447 cm^-1（脂质/蛋白质侧链的CH2弯曲振动）和1653 cm^-1（酰胺I带，蛋白质二级结构）处表现出更显著的峰强。这些光谱差异为区分病变状态提供了关键的生化依据。

3.3. 数据分析

研究分别对拉曼光谱（500-2000 cm^-1范围）和内源荧光图像特征进行了主成分分析(PCA)降维。通过分析累积解释方差和交叉验证均方根误差(RMSE)，确定从拉曼光谱数据中提取前4个主成分（累计解释方差约95%），从内源荧光数据中提取2个主成分，共计6个PCA特征用于后续分类。研究人员选择了高斯朴素贝叶斯分类器，因其擅长处理小样本、高维度的生物医学数据，且具有概率解释性强的优点。模型性能通过分层5折交叉验证进行评估。结果显示，单一模态模型（仅VELscope或仅拉曼）的分类准确率均为71%左右，且存在明显的性能权衡（如一个类别精度高但召回率低，反之亦然）。而将两种模态的特征融合后，分类性能显著提升。融合模型对癌前病变(PM)和恶性病变(T)的精确度和召回率均达到0.83和0.88，整体分类准确率提升至85.7% ± 2.8%，F1分数也相应提高，表明模型在识别两类病变时达到了更佳的平衡。

3.4. 精确度-召回率(PR)曲线

针对数据集存在类别不平衡的情况，研究人员绘制了精确度-召回率(Precision-Recall, PR)曲线来更准确地评估模型性能，特别是对阳性类（恶性）的识别能力。基于融合特征的朴素贝叶斯分类器获得的PR曲线下面积(AUC)高达0.94，表明模型在区分口腔癌前与恶性病变方面具有极强的判别能力。曲线显示，在较宽的召回率范围内，模型都能保持较高的精确度，进一步证实了其临床应用的可靠性。

研究结论与讨论部分强调，整合VELscope内源荧光成像和干血清拉曼光谱的多模态诊断方法，成功实现了对口腔癌前和恶性病变的高精度分类。这种方法充分利用了两种光学技术的互补优势：内源荧光成像揭示了组织层面的结构和代谢变化，而拉曼光谱则提供了血清中与癌变过程相关的特异性分子变化信息。通过特征融合策略，即使使用相对简单的朴素贝叶斯分类器，也能在小样本、高维度的生物医学数据集中取得优异的性能（准确率86%，PR-AUC 0.94）。这不仅证明了多模态融合在提升诊断准确性方面的巨大潜力，也展示了其计算效率高、易于临床解释的优点。该研究为口腔癌的早期、无创、精准诊断提供了一种有前景的新策略。当然，本研究也存在一些局限性，例如样本量相对较小，未来需要在更大规模、多中心的患者队列中进行验证，并探索将其集成到便携式平台以实现实时诊断反馈的可能性。总体而言，这项研究标志着向开发更有效、更易获得的口腔癌诊断工具迈出了重要一步，对改善患者预后和降低口腔癌负担具有重要意义。