基于折射率传感的光学活检方法对肝脏组织病理变化的分类

《Biosensors and Bioelectronics》：Classification of Liver Tissue Pathological Changes via Optical Biopsy Based on Refractive Index Sensing

光学活检通过折射率（RI）驱动的分类框架实现，利用外部光纤光栅法布里-珀罗干涉仪（280 μm腔）采集的反射光谱（RI范围1.33-1.42），结合机器学习模型（随机森林、SVM、模糊系统）和光谱特征（62个描述符）准确区分健康、HCC-like及转移性肝组织，验证了RI传感在光学活检中的临床潜力。

　　

Kacper Cierpiak | Sebastián García-Galán | Jakub Czubek | Rafal Urniaz | Ma?gorzata Szczerska

光电系，电子、电信与信息学院，格但斯克工业大学，Narutowicza街11/12号，80-233格但斯克，波兰

摘要

光学活检能够实现最小侵入性的、定量的组织评估，然而临床应用需要紧凑型传感器能够快速、客观地做出决策。我们提出了一种基于折射率（RI）的分类框架，该框架利用外置光纤Fabry–Pérot干涉腔（280 μm）在生物相关折射率范围1.33–1.42内获取的反射光谱。根据文献指导，定义了三个代理类别（“健康”、“类似肝细胞癌（HCC）”和“转移性”），并在经过认证的参考液体上进行了测量。作为纯物理参考，通过波数域中的条纹周期性分析折射率，达到了0.70的准确性和0.48的宏观F1分数。为了提高区分能力，我们设计了62个光谱描述符，捕捉条纹间距（与折射率相关）、条纹可见性和光谱形状特征，并训练了树集合模型和SVM模型，以及一个可解释的遗传算法优化的模糊专家系统。在保留的测试集上，树集合模型的宏观F1分数达到了1.00，而SVM和模糊系统的得分分别为0.96和0.97。特征属性分析表明，折射率是主要的区分信号，与可见性相关的指标在类似HCC的边界附近提高了系统的鲁棒性。这些结果表明，结合机器学习的光纤干涉测量技术可以提供准确且可解释的诊断特征，支持基于折射率的光学活检的转化潜力。

引言

肝癌是全球主要的健康问题之一，仅2020年就报告了905,700例新病例和830,200例死亡病例（Sung等人，2021年）。它占全球癌症死亡人数的约8%（Rumgay等人，2022年）。高死亡率与晚期诊断和转移性肝病变有关，这突显了迫切需要广泛可用的早期检测策略。传统的诊断方法，包括成像和组织活检，受到灵敏度和侵入性的限制。这使得非侵入性的光学生物传感器在早期癌症检测中发挥了重要作用。

一个有前景的概念是将组织折射率（RI）的变化视为疾病的光学生物标志物。折射率反映了光在组织中的传播情况，对伴随肿瘤发生的成分和结构变化非常敏感。最近的研究表明，恶性肝组织（肝细胞癌，HCC）和转移灶的折射率与健康肝实质有显著差异。Giannios等人报告称，在近红外波长（约964 nm）下，癌变肝组织的实部折射率明显低于健康肝组织，而肿瘤的光学衰减（虚部折射率）更高（Giannios等人，2016年）。这种非病理组织和病理组织之间的折射率差异已被提出作为肝恶性肿瘤的标志物。在其他器官（包括乳腺、前列腺和大脑）中也观察到了类似的现象，表明折射率可以作为一个通用的光学标志物（Wang等人，2011年）。在结直肠组织中，正常黏膜和腺瘤在964 nm处的折射率相差约0.01-0.02（Giannios等人，2017年）。这些发现强调了开发实时、基于折射率的原位癌症检测技术的必要性。

光纤干涉传感器是生物医学条件下测量折射率的强大平台。这类传感器由一根光纤构成一个镜面，另一个反射表面构成第二个镜面，形成一个干涉腔。填充腔体的样品的折射率变化会改变光路径长度，从而改变反射光谱中的干涉条纹图案。通过分析收集到的光谱，可以定量确定样品的折射率。光纤折射率传感器在体内和临床应用中具有多个优势，包括最小侵入性（探针直径约250 μm）、无需电力供应，以及易于与内窥镜或活检针集成。此外，这类传感器提供快速、实时的反馈，并且抗电磁干扰。这使得它们非常适合用于原位光学活检，无需切除组织。（Kruczkowski等人，2022年）

干涉传感器设计过程中的主要挑战是选择能够在生物环境中可靠运行的腔体配置。传统的外置FP传感器通常使用金属镜面（例如镀银表面）与光纤尖端相对。金属具有高反射率，但与生物液体的直接接触可能导致腐蚀、退化，或者引入如铝这样的意外毒性物质，从而改变组织的原始性质。

最近的研究探索了更耐用的镜面材料，如纳米晶金刚石（NCD）薄膜。Kosowska等人（Kosowska等人，2019年）证明，掺硼和氮的NCD薄膜在硅基外置光纤传感器中可以作为耐用的镜面，在1.3-1.6的折射率范围内具有线性响应，并且比金属镜面具有更好的化学耐受性（Kosowska等人，2019年）。在本研究中，使用带有传统银镜的光纤干涉传感器测量了对应于健康和癌变肝组织的液体的折射率。本研究重点是基于其折射率依赖的光谱特征对肝组织类似物（健康、类似HCC和转移性）进行分类。更广泛地说，Fabry-Pérot生物传感器越来越多地采用提高灵敏度的策略（例如Vernier效应、级联或开腔配置），这些策略产生丰富但更复杂的光谱特征（Chen等人，2023年；Qiu等人，2024年）。这种复杂性使得基于机器学习的方法自然且越来越普遍地用于光谱解释。本文整合了机器学习（ML）和模糊专家系统方法，以自动区分组织类别，并对其性能和可解释性进行了研究。

总之，本文介绍了：

1. •
   利用折射率传感作为最小侵入性诊断信号的光学活检概念。
2. •
   对干涉光谱的详细分析，突出了不同类别在条纹位移、可见性和吸收方面的差异。
3. •
   包括支持向量机、随机森林、LightGBM在内的机器学习分类器的开发与基准测试，以及由全面性能指标支持的模糊逻辑系统。
4. •
   一种遗传算法驱动的模糊专家系统，从零开始演化成员函数和IF-THEN规则，生成紧凑、透明且可审计的知识库。
5. •
   对可行性和临床潜力的关键讨论，表明光学传感结合智能分析可以支持肝癌的光学活检概念验证。

数据集

每个样本的干涉光谱记录范围为1475 nm至1600 nm，带宽为125 nm，仪器分辨率为0.2 nm。干涉条纹表现为叠加在源光谱上的周期性强度振荡。自由光谱范围（FSR）——相邻条纹峰之间的间距——取决于腔体的光路径长度（物理长度与样品折射率的乘积）。随着样品折射率的增加，有效光腔长度增加，导致FSR减小

基于物理的分析基线（无需机器学习）

在应用机器学习之前，我们首先评估了一个仅基于物理的分析基线，该基线来自Fabry–Pérot干涉模型。利用波数域中的条纹间距关系（公式（3）以及腔体长度和折射率的关系，通过波数域周期性分析（均匀重采样、基线去除、窗口化和基于FFT的峰值定位进行细化），从每个测量光谱中估计折射率。然后，将估计的折射率映射到研究定义的范围内

结论

本研究证明，光纤Fabry-Pérot干涉传感器可以利用折射率（RI）作为区分参数来分类肝组织类似物，利用干涉条纹和条纹可见性的折射率依赖性变化，从而成为支持光学活检工作流程的有效工具，提供快速、客观的原位组织评估。通过工程化的光谱特征，随机森林和LightGBM实现了健康组织的高度一致分离

CRediT作者贡献声明

Ma?gorzata Szczerska：撰写——审阅与编辑、验证、监督、资源管理、方法论、形式分析、概念化。Rafa? Urnia?：撰写——审阅与编辑、验证。Jakub Czubek：撰写——审阅与编辑、验证。Sebastián García-Galán：撰写——审阅与编辑、撰写——初稿、可视化、监督、资源管理、方法论、调查、形式分析、概念化。Kacper Cierpiak：撰写——审阅与编辑、撰写——初稿

未引用的参考文献

< />

利益冲突声明

作者没有需要披露的利益冲突。

数据可用性

数据可公开获取

利益冲突声明

作者声明没有已知的利益冲突或个人关系可能影响本文报告的工作。

致谢

该项目得到了格但斯克工业大学电子、电信与信息学院DS项目的支持；TECHNETIUM人才管理基金（7/1/2024/IDUB/III/Tc）；PLUTONIUM基金（6/1/2025/IDUB/III/Pu）；PLATINUM基金（1/1/2025/IDUB/I.1B/Pt）；以及欧洲科学技术合作（COST行动CA21159）。图形摘要中展示的选定艺术作品（肝脏、人类）使用了提供的图片或进行了改编