AI驱动三维光学衍射断层扫描技术提升胆道癌诊断：基于脂滴特征的深度学习模型构建与验证

【编辑推荐】本研究针对胆道癌早期诊断难题，创新性结合三维光学衍射断层扫描（3D ODT）与卷积神经网络（CNN），通过量化脂滴（LD）体积、质量等特征实现癌细胞自动分类。EfficientNet-b3模型准确率达97.94%，多视图融合后性能进一步提升（AUC 0.999）。该技术为胆道癌无标记检测提供了新范式，具有重要临床转化价值。

　　

胆道癌（包括胆管癌和胆囊癌）是恶性程度极高的肿瘤类型，患者往往确诊时已处于晚期，治疗选择有限且预后极差。传统诊断方法依赖侵入性活检和主观影像学判断，而癌细胞特有的代谢变化——尤其是脂质代谢异常导致的脂滴（LD）积累——虽被证实与肿瘤进展相关，却缺乏精准量化手段。光学衍射断层扫描（ODT）虽能无标记呈现细胞三维折射率（RI）分布，但人工分析效率低下。如何将LD特征转化为客观诊断指标，成为突破临床困境的关键。

韩国翰林大学医学院联合多家机构的研究团队在《Methods》发表创新成果，首次将深度学习与3D ODT结合，开发出基于LD特征的胆道癌自动分类系统。研究通过分析SNU1196等三种胆道癌细胞系与正常胆管细胞（H69）的LD参数差异，构建了性能卓越的计算机辅助诊断（CAD）模型，为早期筛查提供了新工具。

关键技术包括：1）三维光学衍射断层扫描（ODT）获取细胞折射率分布；2）卷积神经网络（EfficientNet-b3等架构）处理3D RI图像；3）多视图评分融合策略提升分类性能；4）LayerCAM可视化模型决策依据。样本来自韩国细胞株银行（SNU系列）和Severance医院（H69）。

【LD分析】
比较胆道癌细胞与正常胆管细胞发现：癌细胞LD体积、干质量、数量均显著增加（P<0.05），其中SNU308细胞LD体积达正常细胞的3.2倍，证实胆道癌存在特征性代谢异常。

【CNN模型比较】
在七种CNN架构中，EfficientNet-b3表现最优（AUC 0.982），其注意力机制能有效捕捉LD空间分布特征。引入LD体积等元数据后，准确率从93.79%提升至97.94%。

【多视图融合】
融合细胞顶面、侧面等多角度ODT数据，结合LD参数，使最终模型达到98.61%准确率（AUC 0.999），显著优于单一视角分析。

【模型可解释性】
LayerCAM热图显示模型决策聚焦于胞浆LD富集区域，与已知胆道癌代谢表型高度吻合，验证了生物学合理性。

结论部分强调，该研究首次实现胆道癌细胞的LD特征自动化定量分析，其技术路线具有三大突破：1）通过3D ODT+CNN克服传统病理学主观性；2）证实LD参数可作为可靠生物标志物；3）为开发无创诊断设备奠定基础。讨论指出，该方法未来可扩展至循环肿瘤细胞检测，并与基因组数据整合构建多模态诊断系统。研究获韩国国家研究基金会（NRF RS-2023–00243402）资助，伦理审批号Hallym University Dongtan。