编辑推荐：
在皮肤癌诊断领域，角质形成细胞癌（KC）的早期筛查意义重大。为解决现有诊断方法的不足，研究人员开展基于光学相干断层扫描（OCT）和光学衰减系数（OAC）特征的自动诊断框架研究，结果分类准确率超 80%，对早期皮肤癌诊断意义非凡。
皮肤，作为人体最大的器官，时刻面临着各种疾病的威胁，其中皮肤癌已成为一个不容忽视的健康问题。角质形成细胞癌（Keratinocyte carcinoma，KC），包括基底细胞癌（Basal Cell Carcinoma，BCC）、鳞状细胞癌（Squamous Cell Carcinoma，SCC）和光化性角化病（Actinic Keratosis，AK）等，是最常见的皮肤癌类型，占所有报告病例的 95% 以上。而且，其全球发病率呈逐年上升趋势，严重影响人们的健康。
目前，临床诊断 KC 的传统金标准是病理检查，但这种方法具有侵入性，会给患者带来时间、费用上的负担，许多早期癌症患者因担心其侵入性或费用问题，往往不愿接受活检。因此，开发非侵入性检测方法对早期皮肤癌筛查至关重要。光学相干断层扫描（Optical Coherence Tomography，OCT）凭借其高速度、高分辨率（3 - 15μm）、高信号灵敏度和足够的成像深度（1 - 3mm）等优势，在检测 KC 方面具有很大潜力。然而，OCT 诊断也面临着一些挑战，比如 BCC 和 AK 临床表现相似，仅依靠专家经验诊断缺乏量化方法，且 OCT 信号强度易受患者皮肤状况和入射光强度等因素影响，准确测量皮肤层厚度也存在困难。此外，以往利用 OCT 进行自动诊断的研究，如基于皮肤镜和近红外光谱成像的机器学习方法，诊断准确率仍有待提高。
为了解决这些问题，复旦大学工程与技术研究院义乌研究院、复旦大学附属华山医院皮肤科的研究人员开展了一项关于利用光学衰减系数（Optical Attenuation Coefficient，OAC）和联合学习策略对 AK 和 BCC 进行自动诊断的研究。该研究成果发表在《npj Digital Medicine》上，为早期非黑色素瘤皮肤癌的诊断开辟了新的道路。
研究人员在此次研究中运用了多种关键技术方法。首先，采用定制的光谱域 OCT 系统获取数据，该系统中心波长为 830nm，带宽 100nm，能实现较高空间分辨率，有效反映细胞层面的病理变化。接着，使用深度分辨的 OAC 计算方法从 OCT 图像中提取 OAC，通过一系列校准去除噪声和信号衰减影响。然后，利用基于 3D - Unet 网络的无监督 3D 深度学习方法对 OAC 数据进行去噪，并对图像进行后处理以提取有效特征。最后，构建联合学习网络，结合 OAC 图像的二维结构信息和概率密度函数（Probability Density Function，PDF）的一维特征进行分类诊断。研究样本为 2022 年 1 月至 2024 年 1 月期间经临床检查诊断为 AK 或 BCC 的患者，排除无法配合图像采集和皮肤活检手术的患者。
研究结果主要如下：
- OCT 与 OAC 图像对比：通过对比正常皮肤、AK 和 BCC 的 OCT 和 OAC 图像发现，OAC 图像能更清晰地显示皮肤组织的内部细节，如在 OCT 图像中难以区分的真皮 - 表皮交界（DEJ），在 OAC 图像中边界清晰可辨，且 OAC 图像对真皮组织的显示对比和清晰度更优，更有利于疾病诊断。
- 病理图像与 OAC 图像的统计对比：对 AK 和 BCC 的病理图像与 OAC 图像进行统计分析，发现 AK 的 OAC 在真皮浅层显著降低，对应其病理特征中的胶原变性，而 BCC 的 OAC 在癌细胞巢区域虽有降低，但与 AK 不同，且随着 BCC 病变严重程度增加，癌细胞巢区域扩大，OAC 特征也相应变化。不过，AK 和 BCC 的 PDF 分布并非都严格遵循特定模式，受病变严重程度和皮肤状况影响较大。
- 自动诊断性能：开发并测试了联合学习方法，将其与仅使用二维 OAC 图像的 2D - OAC 模型对比。结果显示，联合学习模型在区分正常皮肤、AK 和 BCC 方面表现更优，整体准确率（78.8% vs. 75.1%）、灵敏度（83.3% vs. 80.5%）和精度（78.8% vs. 75.1%）更高，在 AK 和 BCC 分类任务中优势明显。使用 6 个未训练数据集进行预测评估过拟合情况，联合学习方法在测试集上准确率更高，对 BCC 达到 80.2%，对 AK 达到 70.6%，且在临床常用的 3D 体积数据集测试中，能达到 100% 的预测准确率。
研究结论和讨论部分指出，该研究建立了基于 OCT 的非侵入性早期皮肤癌数据库，为深度学习自动诊断提供了丰富临床数据。通过提取 OAC 图像并结合 PDF 信息，开发的联合学习方法显著提高了诊断准确性，相比仅使用 OAC 图像，分类准确率提升约 5%，在三类分类任务中，使用二维数据集准确率超 80%，结合三维 OAC 数据时准确率接近 100%。虽然目前数据集有限，主要聚焦于区分 AK 和 BCC，但研究人员正积极扩展数据集纳入 SCC 和鲍恩病，并开展多中心验证，以提高模型的通用性。该研究成果有望成为临床实践中辅助区分 AK 和 BCC 的有效非侵入性成像工具，具有重要的临床应用潜力。它不仅能减少患者不必要的痛苦和医疗成本，还能为临床医生提供更准确的诊断依据，推动皮肤癌诊断技术的发展。
