通过内镜荧光灌注分析结合人工智能对直肠肿瘤的分类

这对患者和医生为何重要

对于有大直肠息肉的人来说，最大的疑问之一是该生长物是良性还是已开始转变为癌症。如今，医生通常要等到切除整个病变后才能确定，这可能导致进行比必要更大的手术或延迟治疗。本研究探讨了一种智能成像技术结合人工智能，是否能在手术过程中通过观察组织的血流情况，实时识别潜在的癌变。

倾听肿瘤的供血方式

癌肿的生长不同于正常组织。它们会刺激新生不规则的血管，产生渗漏和无序分支。这些改变在血液和注入染料流入流出肿瘤的方式上形成独特的模式。研究人员使用了一种叫吲哚菁绿色（indocyanine green）的染料，在近红外光下会发光，并在对大直肠息肉和早期直肠癌患者的内镜手术中记录短视频。通过跟踪几分钟内发光亮度的变化，他们能够为同一患者的可疑区域和健康区域捕捉到一种“灌注指纹”。

将发光模式转化为数据

每段视频由定制软件分析，软件将可见的肠壁区域划分为一格格小方块并随着时间追踪这些方块，即使摄像机和组织在移动也能跟踪。对每个小方块，程序测量荧光变亮的程度、达到峰值的速度以及衰减的快慢。随后对这些曲线进行清理和归一化，以便直接比较。从这些时间轨迹中，团队提取了简单的数值特征，例如最大信号强度和峰值后某些时点的信号下降量。他们还考察了异常区域内这些数值的不均匀性，使用一种统计量来捕捉肿瘤内部相对于邻近健康组织的变异性。

训练人工智能

团队研究了来自四个国家六家医院的182名患者的190段视频；约三分之二的患者最终在显微镜下确诊为癌症。他们训练了一个机器学习模型（XGBoost分类器），仅基于染料流动特征来学习良性与恶性病变的区别，而不使用常规彩色图像。在应用于新病例时，该模型在大多数患者中能正确识别癌症，其表现与许多临床常用工具相当或略优，例如内镜活检、术前MRI扫描以及经验丰富外科医生的目测判断。

加入真实临床线索

在现实中，医生很少依赖单一检测。因此研究者将人工智能的输出与已有信息结合：MRI报告和手术医生的判断。当这些信息一起输入同一计算流程时，检测癌症的能力得以提升，尤其是在正确排除良性病变方面更有效。在最佳情况下，组合系统能检测出约86%的癌症，同时在约71%的非癌病例中避免误报。该方法在更像早期局部可切除疾病的患者亚组中也表现良好。

这对未来护理可能意味着什么

该研究表明，大直肠息肉中的癌变在血流和染料流动方式上留下可检测的特征，并且这一特征可以被人工智能自动识别。尽管目前工作基于记录的视频，仍需在实时临床试验中验证，但这指向了这样一个未来：结肠镜检查过程中，操作医生可能会被实时提示，某个看似无害的息肉很可能隐含侵袭性癌症。该信息可指导取活检的位置、是否局部切除病变或是否将患者转诊接受更广泛的手术，从而减少漏诊癌症和不必要的大手术。

引用: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

关键词: 直肠癌, 内镜成像, 荧光灌注, 人工智能, 机器学习