基于微傅里叶变换红外光谱与深度学习架构的甲状腺组织分类比较研究：1D-CNN在超光谱成像中的突破性应用

本研究针对甲状腺组织病理诊断中传统方法对多维病理特征识别不足的难题，创新性地将微傅里叶变换红外光谱（micro-FTIR）与三种深度学习架构（RNN/FCNN/1D-CNN）相结合，在60例患者样本中实现了97.6%的甲状腺组织分类准确率。1D-CNN模型显著优于传统方法，为甲状腺癌、甲状腺肿与健康组织的精准鉴别提供了新范式。

　　

甲状腺疾病的精准诊断一直是临床病理学的重大挑战。传统组织学分析依赖HE染色和显微镜观察，但面对形态学相似的甲状腺肿（goiter）与甲状腺癌时，诊断准确率常受限于主观判断。更棘手的是，常规计算机视觉技术难以区分混合病理状态的微小区域，而新兴的超光谱成像（HSI）虽能捕获组织分子特征，却因数据维度高、分析复杂未能广泛应用。

这项发表于《Scientific Reports》的研究开创性地将微傅里叶变换红外光谱（micro-FTIR）与深度学习结合，首次实现了甲状腺组织的多分类精准识别。研究团队来自巴西圣保罗州立大学等机构，由Matheus de Freitas Oliveira Baffa领衔，通过比较循环神经网络（RNN）、全连接神经网络（FCNN）和新开发的1D卷积神经网络（1D-CNN），在60例患者的组织微阵列（TMAs）中建立了超光谱分类模型。

关键技术包括：采用PerkinElmer Spotlight 400微傅里叶变换红外光谱仪获取778-1800 cm^-1波段的512维光谱数据；设计五步预处理流程（含FFT变换和高通滤波）提取细胞特征区域；通过高斯噪声增强将训练数据扩增一倍；采用分组10折交叉验证评估模型性能。

实验结果

1. 1.

   模型性能对比：1D-CNN以97.60%准确率（AUC 99.61%）显著优于RNN（96.88%）和FCNN（93.66%），其特异性（97.60%）和敏感性（97.60%）表现均衡。最佳单次验证（Fold 4）达到99.88%准确率。

2. 2.

   计算效率：1D-CNN训练耗时（2191秒/折）仅为RNN的13%，内存占用（16GB）远低于RNN的77GB。

3. 3.

   外部验证：在未参与训练的9例样本中，1D-CNN正确识别所有癌症区域（红色标记），而RNN误将健康组织分类为甲状腺肿（蓝色），FCNN则混淆了癌与甲状腺肿区域。

讨论与意义

该研究突破性地证明：1D-CNN能高效处理micro-FTIR产生的512维光谱序列，其卷积核在Amide I波段（1624 cm^-1）成功捕获了甲状腺滤泡细胞的C=O蛋白振动特征。相较于文献报道的2D-CNN（AUC 90%）和3D-CNN（84.63%精度），1D建模显著降低了计算复杂度。

临床转化方面，该技术可集成至光谱设备实现实时病理分析，解决传统方法对混合病理区域识别不足的痛点。局限性在于样本量较小（60例）和甲状腺特异性设计，未来需扩展至乳腺癌等其他组织类型。这项研究为超光谱医学诊断树立了新标杆，其开源策略（数据可联系作者获取）将加速精准病理学的发展。