编辑推荐：
犬猫（亚）皮肤肿瘤如脂肪瘤（LP）、肥大细胞瘤（MCT）和软组织肉瘤（STS）因组织异质性难诊断。本研究整合光学（白光 WL、自体荧光 FL）和高频超声（US）成像，用机器学习分类器（LDA、SVM、RF），发现多模态对鉴别 MCT 和 STS 有效，SVM 表现最佳，为兽医肿瘤诊断提供新方向。
犬猫皮肤及皮下肿瘤的诊断困境：传统方法的局限与多模态成像的崛起
在兽医临床领域，犬猫的皮肤及皮下肿瘤一直是诊断与治疗的难点。其中，脂肪瘤（Lipoma, LP）、肥大细胞瘤（Mastocytoma, MCT）和软组织肉瘤（Soft Tissue Sarcoma, STS）最为常见，分别占犬猫肿瘤的 8.5%、16.8% 和 20.3%。这类肿瘤因其组织异质性高、临床病理多样，给准确诊断带来极大挑战。传统的组织病理学或细胞学诊断虽为金标准，但耗时且依赖主观判断；细针穿刺细胞学（Fine-Needle Aspiration Cytology, FNAC）的特异性和敏感性仅为 77.2% 和 68.6%，易导致漏诊或误诊。此外，人类医学中常用的皮肤镜等无创评估手段在兽医领域应用有限，开发高效、客观的辅助诊断技术迫在眉睫。
为突破这一困境，来自立陶宛维尔纽斯大学、考纳斯理工大学及拉脱维亚大学等机构的研究人员，开展了一项基于多模态成像与机器学习（Machine Learning, ML）的犬猫肿瘤鉴别研究。相关成果发表在《Scientific Reports》上，为兽医肿瘤诊断提供了全新的技术路径。
研究的核心技术方法
研究整合了三种成像模态：
- 白光（White Light, WL）成像：通过全景扫描仪获取高分辨率组织形态学图像，用于肿瘤表面特征分析。
- 自体荧光（Autofluorescence, FL）成像：利用荧光通道检测组织生化成分（如胶原蛋白），增强细胞间对比度。
- 高频超声（Ultrasound, US）成像：采用 360 MHz 扫描声学显微镜（Scanning Acoustic Microscopy, SAM），获取肿瘤内部结构的实时高分辨率数据。
通过机器学习算法（线性判别分析 LDA、支持向量机 SVM、随机森林 RF）对多模态数据进行训练，提取包括熵、对比度、方差等 12 项形态学特征，评估单模态与多模态组合的分类效能。
研究结果解析
1. 单模态与多模态在肿瘤鉴别中的表现
- 脂肪瘤（LP）与恶性肿瘤（MCT/STS）的鉴别：
单模态 WL、FL、US 均能实现～100% 的分类效率，表明良性 LP 与恶性肿瘤在形态学上差异显著，无需多模态辅助。
- 肥大细胞瘤（MCT）与软组织肉瘤（STS）的鉴别：
- 单模态 US 效率约 80%，WL 约 90%，FL 仅 70%。
- 多模态组合显著提升效能：US+WL 或 US+FL 的 SVM 分类效率达 95%，US+FL+WL（ trimodal）虽未进一步提升，但证实了多模态对异质性肿瘤的必要性。
2. 机器学习算法的效能比较
- 支持向量机（SVM）：在多模态组合中表现最佳，尤其在 US+WL、US+FL 及 FL+WL 的双模态组合中，分类效率超过 85%，且能检测到显著的多模态效应（p<0.05）。
- 随机森林（RF）：仅在 FL+WL 组合中表现出分类效率提升，整体效能略低于 SVM，但优于传统线性判别分析（LDA）。
3. 特征优化与多模态机制
- 通过顺序特征添加法筛选最优特征集，发现 US 特征可替代 WL 特征，而非简单叠加，表明多模态成像通过互补信息提升诊断效能。
- 恶性肿瘤（MCT/STS）的特征异质性高，需≥10 项特征才能有效分类，而良性 LP 仅需 1-2 项 WL 特征即可鉴别。
研究结论与意义
本研究首次证实，多模态成像（US+WL+FL）结合机器学习（尤其是 SVM 算法）可显著提升犬猫异质性肿瘤（如 MCT 与 STS）的鉴别精度，分类效率超过 95%。该技术具有以下优势：
- 成本效益高：无需依赖 OCT（光学相干断层成像）或拉曼光谱等高价设备，利用常规实验室的扫描仪和超声设备即可实现。
- 自动化辅助诊断：为兽医病理学家提供实时 ML 诊断支持，减少人为误差，尤其适用于组织形态学相似的恶性肿瘤鉴别。
- 临床转化潜力：可整合至现有组织病理流程，通过算法优化进一步提升术中快速诊断能力。
尽管研究仍需更大样本量验证及自动边缘检测算法开发，但其开创的多模态 ML 诊断框架，为兽医肿瘤学提供了一种高效、可推广的新工具，有望减少不必要的手术，提升宠物诊疗水平。这一突破不仅推动兽医影像技术的革新，也为人类肿瘤的无创诊断提供了跨物种的借鉴思路。
