基于DRS-IFS光谱技术与机器学习的乳腺癌保乳手术切缘实时评估新策略

针对乳腺癌保乳手术(BCS)中切缘阳性导致的再切除率高的问题，Dhurka Shanthakumar团队创新性结合漫反射光谱(DRS)与固有荧光光谱(IFS)，通过机器学习算法对181例冷冻乳腺组织样本进行检测，实现正常与癌变组织鉴别准确率达75%(AUC 84%)，为开发术中实时切缘评估工具(IMA)奠定基础。

　　

乳腺癌保乳手术中，约19%的患者因切缘阳性需二次手术，现有术中评估技术如标本X线摄影灵敏度不足，而冰冻切片等传统方法又依赖病理学家在场。这一临床困境催生了光学光谱技术的探索——通过捕捉组织与光的相互作用产生的"光学指纹"，有望实现快速、无创的切缘评估。

英国帝国理工学院NHS信托基金(Imperial College London NHS Trust)与巴茨健康NHS信托(Barts Health NHS Trust)的联合团队，在《Breast Cancer Research and Treatment》发表研究，首次将空间分辨漫反射光谱(DRS)与激光诱导固有荧光光谱(IFS)联用，结合机器学习算法，系统评估了冷冻乳腺组织样本的诊断效能。研究创新性地覆盖了导管原位癌(DCIS)和新辅助化疗后组织等关键临床场景，为光学技术在真实手术环境中的应用迈出重要一步。

研究团队采用多通道光纤探头同步采集四种DRS(0.5/0.8/1.6/2.8 mm间距)和两种IFS(375/405 nm激发)光谱数据，通过固定窗口特征提取和Boruta算法降维，利用极限梯度提升(XGB)分类器对18,349条光谱进行分析。样本队列包含138例患者(中位年龄56.8岁)的181个组织样本，涵盖浸润性导管癌(IDC)、浸润性小叶癌(ILC)、DCIS及新辅助化疗后病理完全缓解(pCR)组织。

方法学创新

定制六通道光纤探头实现多参数同步采集，空间分辨率达3-5 mm；首次系统评估冷冻组织的光谱特性；通过样本质量分级(16%存在染料干扰)验证技术鲁棒性；纳入DCIS样本(占11.6%)填补研究空白。

核心发现

1. 正常vs恶性肿瘤鉴别：XGB分类器在优质样本中达到84%(±13)灵敏度与61%(±16)特异性，AUC 84%，其中对小叶癌(ILC)的识别准确率(80.2%)显著高于导管癌(IDC)(72%)。

2. DCIS检测突破：针对21例DCIS样本的鉴别特异性达90.5%，但灵敏度仅67.6%，反映原位癌与浸润癌的光谱相似性。

3. 化疗后组织评估：6例pCR样本检测特异性达97.5%，证实技术对治疗反应组织的适用性。

4. 亚型区分局限：IDC与ILC的鉴别准确率仅62%(±10)，提示肿瘤异质性带来的技术挑战。

讨论与展望

该研究首次证实DRS-IFS联合机器学习可有效区分冷冻乳腺组织中的恶性与正常成分，其性能与新鲜组织研究相当。尽管冷冻过程可能使吸收系数降低50%、散射系数减少30%，但通过标准化预处理仍能保持诊断效能。技术优势体现在：① 多参数采集(DRS+IFS)全面反映组织形态与成分；② 覆盖DCIS这一再切除主要预测因子；③ 兼容新辅助化疗后评估场景。

临床转化仍需解决三大问题：染料干扰(16%样本受影响)、原位癌检测灵敏度不足、以及新鲜组织验证缺失。未来研究应聚焦：① 开发抗干扰算法；② 扩大DCIS样本量以优化模型；③ 开展术中实时检测试验。这项技术有望成为继"快速冰冻病理"之后，又一改变乳腺癌手术精准度的突破性工具。