基于多源高光谱数据库融合的活体人脑肿瘤分类算法开发与验证

《Computer Methods and Programs in Biomedicine Update》：Unifying heterogeneous hyperspectral databases for in vivo human brain cancer classification: Towards robust algorithm development

本研究针对脑肿瘤手术中健康与病变组织鉴别难题，创新性地融合HELICoiD和SLIMBRAIN两个异构高光谱数据库，系统评估了KNN、SVM、1D-DNN等7种算法及LIBRA/HELICoiD框架在20-128波段范围的性能。结果显示LIBRA框架在肿瘤识别敏感度达80%（H128数据集），为跨设备高光谱数据融合及术中实时诊断提供了重要技术参考。

　　

在神经外科手术中，精准区分健康脑组织与肿瘤边界始终是重大挑战。传统技术如术中磁共振（IMR）存在耗时、低分辨率等问题，而5-氨基乙酰丙酸（5-ALA）荧光引导仅适用于高级别胶质瘤。高光谱成像（HSI）技术因其非侵入、无标记特性崭露头角，但不同医院采用的HS设备在光谱范围（400-1000nm VNIR vs 660-952nm NIR）、分辨率等方面存在显著差异，导致算法泛化能力受限。

西班牙加那利群岛大学医院等机构的研究人员开展了一项开创性研究，首次系统评估了跨设备高光谱数据库的统一分析方法。研究整合了HELICoiD（推扫式相机，128波段）和SLIMBRAIN（快照式相机，20波段）两个独立数据库，包含42名患者的活体脑组织数据。通过K-Means聚类降采样（每类3400像素）和交叉验证，对比了传统机器学习（SVM、KNN）、深度学习（1D-DNN、3D-CNN）以及LIBRA/HELICoiD复合框架的性能。

关键技术包括：

1. 光谱校准与降噪：采用Spectralon白板校准，高斯滤波/HySime算法降噪
2. 数据分区：患者级4-10折交叉验证，确保肿瘤样本覆盖所有分区
3. 算法优化：贝叶斯优化（SMBO）调整超参数，以ROC-AUC为指标
4. 框架设计：LIBRA采用遗传算法集成20组SVM，HELICoiD融合PCA-KNN空间光谱特征

研究结果揭示：

1. 数据质量决定性能：H128数据集（128波段）的肿瘤识别F1 Score达53%，显著高于20波段数据
2. 算法适应性：LIBRA框架在SLIMBRAIN噪声数据中表现最优（敏感度38%），而HELICoiD在H128数据获得最高F1 Score
3. 血管识别依赖光谱：缺少542/572nm HbO₂吸收峰的SLIMBRAIN数据，其血管识别准确率降低15%
4. 统一数据库挑战：合并数据集后，仅LIBRA保持40%肿瘤敏感度，凸显数据异构性问题

讨论指出三大突破：

1. 首次证实128波段VNIR数据对脑肿瘤检测的关键价值，特别是542/572nm波段对血管识别的作用
2. 提出基于K-Means-SAM的降采样方法，在保持性能前提下将训练数据缩减至原1/10
3. 建立跨中心HS数据融合标准流程，为多中心研究奠定基础

该研究发表于《Computer Methods and Programs in Biomedicine Update》，为术中实时HSI系统开发提供了重要方法论。未来需扩大样本量并优化GCN等新型网络，以解决当前10-40%的肿瘤漏诊率问题。研究特别强调，推扫式相机的高光谱分辨率（1nm）虽优于快照相机（25波段），但需权衡1分钟采集时间与术中实时性需求，这一发现为手术设备选型提供了明确指导。