基于高光谱成像与Grassmann流形的肝转移性结肠癌术中像素级分类新方法

研究人员针对术中肿瘤切除边界识别难题，开发了结合Grassmann流形(GM)与张量奇异谱分析(TSSA)的高光谱成像(HSI)分类方法。利用仅1%标注像素，在450-800 nm波段HSI数据上实现0.963的微平衡准确率，显著优于传统RGB图像和深度学习模型，为术中病理快速诊断提供了新范式。

　　

在肿瘤外科手术中，精确识别肿瘤边界直接关系到患者的生存率——研究表明，切除边缘的干净程度是预测5年生存期的关键指标。然而，传统术中病理依赖的RGB成像技术仅能捕获可见光波段信息，而肿瘤浸润性生长特性使得肉眼难以辨别边界。更棘手的是，高光谱成像(HSI)虽能提供450-800 nm连续光谱数据，却面临标注数据匮乏、算法泛化性差等瓶颈。

针对这一临床痛点，克罗地亚科学基金会(HRZZ)资助的研究团队在《Computers in Biology and Medicine》发表创新成果。该研究构建了首个公开的结肠癌肝转移HSI数据库，包含14例患者的27幅H&E染色冰冻切片图像（1384×1035像素，1 nm光谱分辨率），并由三位病理专家完成像素级标注。更突破性的是，团队提出Grassmann流形(GM)与张量奇异谱分析(TSSA)融合算法：通过将局部图像块映射为Grassmann空间中的子流形，仅需0.5%-1%标注样本即可实现0.963的微平衡准确率(BACC)，性能超越需63%标注数据的深度学习模型。

关键技术包括：1) 基于230×258像素非重叠块的张量分解(TSSA)提取光谱-空间联合特征；2) 在Grassmann流形上构建癌症/非癌症子空间基；3) 最近子空间分类器实现半监督学习。实验设计上，采用kappa统计量化标注者一致性，并通过patch-level交叉验证证明方法鲁棒性。

【结果精要】
• 方法优势：GM-TSSA在HSI上的F₁-score(0.959)比对应RGB图像提高12.7%(p<0.001)，且所需标注量仅为深度学习的1/60
• 数据价值：首个公开的转移性结肠癌HSI冰冻切片数据集，包含病理专家标注的像素级金标准
• 临床适配：算法可单幅HSI独立处理，适合术中快速分析场景

讨论揭示，HSI在485-500nm(血红蛋白吸收峰)和580-600nm(嗜酸性粒细胞特征)波段携带关键诊断信息，而GM方法通过子空间相似性度量有效克服了染色批次差异。值得注意的是，该方法在保持高精度(>0.95)的同时，将标注耗时从数小时/幅缩短至分钟级，这对病理资源紧缺的医疗场景具有革命性意义。

这项研究不仅为术中肿瘤边界识别建立了新标准，更开创性地证明：在标注数据稀缺的医疗场景中，流形几何方法与物理先验知识的结合，可能比纯粹的数据驱动模型更具临床实用性。数据集与代码的开源(DOI:10.17632/irb538)将进一步推动HSI在数字病理学中的应用。