基于术中iKnife数据的乳腺癌手术切缘异常检测模型比较研究

来自国际团队的研究人员针对乳腺癌保乳手术中肿瘤切缘实时评估难题，创新性探索了基于智能手术刀(iKnife)质谱数据的无监督学习策略。研究比较了四种异常检测模型在纯术中数据和补充离体数据场景下的表现，发现OC-PCA模型仅用术中数据即可达到81%平衡准确率，为减少依赖标记离体样本提供了可行方案。

　　

在乳腺癌保乳手术中，实时判断肿瘤是否切除干净堪称外科医生的"心头大患"。这把会冒烟的智能手术刀(iKnife)可就有意思了——它能像嗅探犬一样分析电刀产生的烟雾，通过实时质谱检测(REIMS)技术捕捉组织代谢指纹。但现有AI模型需要大量标记好的离体(ex-vivo)样本训练，制备这些"标准答案"既烧钱又耗时。

科研团队另辟蹊径，让算法玩起了"大家来找茬"游戏。他们收集了15台手术的术中光谱数据，请出四位"找茬高手"：孤军奋战的隔离森林(iForest)、降维专家单类主成分分析(OC-PCA)、自带投影仪的子空间专家(GODS)和它的核函数升级版(KGODS)。这些模型在两种模式下比拼：纯术中数据的"荒野求生"模式，以及补充健康组织离体数据的"开卷考试"模式。

结果令人惊喜：OC-PCA这位"裸考达人"在四折交叉验证中斩获81%的平衡准确率，灵敏度更飙到90%——这意味着它能揪出九成肿瘤残留，虽然偶尔会把7%的健康组织错认成"坏蛋"。在真实手术复盘测试中，它成功捕捉到肿瘤突破包膜的惊险时刻，只误报了一次。

这项发表在专业期刊的研究揭示：与其耗费巨资制备标记样本，不如教会AI自己发现异常。虽然这些"找茬专家"目前略逊于有监督学习模型，但它们为手术室里的实时决策提供了轻量级解决方案。未来结合半监督学习，这些能自我进化的算法或许能让更多乳腺癌患者免受二次手术之苦。