构建基于有限元力学图谱的皮肤创面闭合高光谱成像智能诊断系统

本研究针对术中肿瘤切除边界判定的临床难题，创新性地开发了基于Grassmann流形(GM)与张量奇异谱分析(TensorSSA)的高光谱成像(HSI)分类算法。通过建立首个公开的结肠癌肝转移术中冰冻切片HSI数据库（27张图像，450-800nm光谱范围），在仅需1%标记像素条件下实现0.963的微平衡准确率(BACC)，显著优于传统RGB图像和深度学习模型，为精准肿瘤切除术提供了新型智能病理分析工具。

　　

在肿瘤外科手术中，精确判定切除边界直接关系患者五年生存率。传统病理分析依赖RGB图像，仅能获取有限光谱信息，而高光谱成像(HSI)虽能捕获450-800nm连续光谱数据，却面临三大瓶颈：缺乏标准化的术中HSI数据库、像素级标注成本高昂、现有算法依赖大量标注数据。克罗地亚科学基金会资助的Ivica Kopriva团队在《Computers in Biology and Medicine》发表的研究，为破解这些难题提供了创新解决方案。

研究团队建立了首个公开的结肠癌肝转移术中HSI数据库，包含14名患者的27张H&E染色冰冻切片，光谱分辨率达1nm（1384×1035像素）。通过三名病理专家标注的像素级金标准，结合kappa统计验证标注一致性。关键技术突破在于：1）采用Grassmann流形将HSI数据建模为子空间集合，通过最近子空间分类器实现半监督学习；2）结合TensorSSA提取光谱-空间联合特征；3）在230×258像素非重叠区块上仅需0.5%标记数据即可训练。

【材料与方法】
团队开发了GM-TensorSSA混合算法：首先将HSI数据视为三阶张量，通过TensorSSA分解获取光谱和空间特征；随后在Grassmann流形上构建癌症/非癌症子空间模型，利用投影距离实现像素分类。对比实验包含六种深度学习架构和传统RGB分析方法。

【结果】
在仅使用1%标记像素条件下，GM-TensorSSA取得0.963微BACC和0.959微F₁-score，显著优于需要63%标记数据的深度学习模型（p<0.01）。HSI数据分类性能比对应伪RGB图像提升23.7%，证实多光谱信息的临床价值。病理评估显示该方法能准确识别<50μm的肿瘤浸润区域。

【讨论】
该研究首次证明Grassmann流形在医学HSI分析的适用性，其优势在于：1）降低对标注数据的依赖；2）规避深度学习对大数据量的需求；3）单张HSI即可独立分析，适合术中快速决策。数据库的开放共享将促进HSI在肝转移癌诊疗中的应用。

【结论】
这项研究为术中肿瘤边界判定提供了新型智能病理分析范式，其GM-TensorSSA框架在极低标注需求下实现媲美深度学习的性能，有望推动HSI技术从实验室走向手术室。未来工作将扩展至胃癌、胶质瘤等多癌种验证。