编辑推荐：
为解决神经外科手术中肿瘤精准切除的难题，研究人员开展了融合高光谱成像（HSI）和基于探针的共聚焦激光内镜（pCLE）技术的多模态成像平台研究。结果显示该平台能显著提高肿瘤识别率，为神经外科手术提供更精准的导航，具有重要临床意义。
在神经外科领域，肿瘤切除手术面临着巨大挑战。精准切除肿瘤是治疗的关键第一步，它对改善患者预后至关重要。然而，像胶质瘤这类轴内肿瘤，常常会浸润到常规临床影像所识别的边界之外，侵入大脑实质，而这些被肿瘤浸润的区域很难被精准识别。贸然切除这些区域，又容易损伤功能活跃区，导致患者残疾。脑膜瘤虽生长缓慢，主要侵犯周围硬脑膜，但在一些恶性亚型中，判断其对大脑的侵犯程度以及扩大切除范围也存在困难。目前，虽然已经有多种术前和术中辅助技术应用于临床，比如神经导航、术中超声、荧光成像和术中磁共振成像（MRI）等，但这些技术都存在各自的局限性，要么精度不够高，要么依赖操作人员，要么成本高昂，还有的存在后勤保障问题。
为了攻克这些难题，来自伦敦帝国理工学院（The Hamlyn Centre for Robotic Surgery, Imperial College London）的研究人员开展了一项极具创新性的研究。他们致力于开发一种多模态成像平台，将高光谱成像（HSI）和基于探针的共聚焦激光内镜（pCLE）技术融合在一起，旨在提高神经外科手术中脑肿瘤识别的准确性。
研究人员为了实现这一目标，采用了多种关键技术方法。首先，在成像平台设计方面，将手术显微镜与 HSI、pCLE 集成，创建了一个多模态组织分析平台。通过特定的光学系统和设备连接，实现了同时进行白光和高光谱图像采集，以及实时高分辨率的细胞成像。其次，进行了成像模态的校准，包括对手术显微镜、HSI 和 pCLE 的校准，以确保数据的一致性和准确性。再者，利用立体校准和关键标记检测等技术，实现了多模态数据的空间对齐，使不同模态的图像能够精确匹配。此外，通过建立包含五个羊脑模型的体外数据集，对平台进行测试。
研究结果主要体现在以下几个方面：
- 校准与误差评估：通过对成像模态的校准和空间对齐，测量得到从 HSI 到 RGB 的重投影误差低至 0.34 像素，探针尖端误差为 1.2 像素，标准偏差为 0.2 像素，对应约 0.14mm 的配准误差，满足了亚毫米误差的目标，确保了空间一致性。同时，pCLE 扫描整个肿瘤边缘的平均时间为 9.6 秒，标准偏差为 4.1 秒。
- 模型评估与选择：对 HSI 的两种模型（支持向量机 SVM 和神经网络 NN）和 pCLE 的两种模型（MobileNetV2 和 EfficientNet）进行评估。结果显示，NN 模型在 HSI 光谱分类中具有近十倍的推理速度优势，MobileNetV2 在 pCLE 分类中速度约快六倍，因此这两个模型被选用于组合算法。
- 肿瘤识别性能：在肿瘤识别方面，单独的 HSI 模型在捕捉肿瘤区域方面有一定效果，pCLE 模型对肿瘤类别的 Dice 分数较高，但召回率较低。而 HSI 和 pCLE 结合的算法显著提高了肿瘤类别的 Dice 分数（相比单独 HSI 提高 18.6）和召回率（相比单独 pCLE 提高 25.8），表明该组合算法在增强肿瘤定位和确保分割过程中不遗漏关键肿瘤区域方面具有重要价值。
在研究结论和讨论部分，研究人员开发的多模态成像平台结合 HSI 和 pCLE 技术，在模拟手术过程中朝着改善肿瘤定位迈出了重要的第一步。该平台为临床手术提供了有价值的见解，显示出这一领域进一步探索的潜力。然而，研究也指出，pCLE 缺乏一个反馈回路，无法利用 HSI 预测概率引导外科医生找到关键采样点。未来的研究将重点实施 pCLE 探针的无标记位姿估计，简化系统并确保精确的位姿跟踪。同时，计划扩大数据集至数百个样本，以优化算法，提高肿瘤边界检测能力，增强系统在临床环境中的稳健性和可靠性。此外，还将开发一种交互式方法，让 HSI 为外科医生提供 pCLE 采样区域的信息，进一步优化肿瘤边缘细化，提升系统的临床实用性。总的来说，这项研究成果为神经外科手术中肿瘤的精准切除提供了新的方向和有力的技术支持，有望在未来显著改善患者的治疗效果。
