用于术中脊柱肿瘤评估的人工智能驱动无标记拉曼组学

在脊柱手术中更快得到答案

当在脊柱中发现肿瘤时，外科医生常常需要在几分钟内决定如何激进地手术以及接下来的治疗方案。如今，这些选择仍依赖实验室检测，最快也要半小时，最糟情况甚至需要几天。本研究提出了一种新方法，结合激光显微成像与人工智能，几乎实时地解读脊柱肿瘤的小样本，旨在患者尚在手术台上时为外科医生提供更明确的判断。

为何快速诊断如此困难

脊柱肿瘤有几种常见类型，包括来自脑膜和脊髓覆膜的肿物（脑膜瘤）、神经鞘来源的肿瘤（施万诺细胞瘤）、来自脊髓管上皮细胞的肿瘤（室管膜瘤），以及来自身体其他部位的癌症转移灶（转移瘤）。MRI 等影像可以提示肿瘤类型，但影像表现常有重叠，且有些患者无法安全接受 MRI。术中，肿瘤表面往往无法反映全部情况。目前的标准做法是将一块组织迅速送病理科，冰冻切片、染色，然后由病理专家在显微镜下检查。该冰冻切片流程劳动强度大、通常仅在工作时间可用，且仍会对相当一部分脊柱肿瘤产生误判。

一种新型数字显微镜

研究人员基于一种新兴成像方法——受激拉曼组织学。该技术不依赖染料，而是用精确调谐的激光照射新鲜、未处理的组织，记录样本中分子对光振动的响应。把这些信号转化为高分辨率图像，外观类似病理学中熟悉的粉紫色切片，但成像在几分钟内完成，无需切片或染色。由于同类型便携扫描仪已在多家医院用于脑外科手术，团队得以在欧洲和美国的多个中心收集脊柱肿瘤图像，并在接近真实手术室的条件下测试新的分析系统。

教人工智能识别脊柱肿瘤

在这些激光生成的图像基础上，作者开发了一个名为 SpineXtract 的人工智能平台。他们并未仅训练一个简单的模式匹配程序，而是先让一个深度神经网络接触大量多样的脑与脊柱图像，使其自学这类组织的一般视觉特征。随后加入了基于 Transformer 的决策模块——这一架构最初为语言处理设计——它学会聚焦每个小图像块中信息量最大的部分。完整系统扫描整个切片，将其分解成数百个图块，为每个图块分配属于四种主要脊柱肿瘤类型之一的概率，然后将这些信息重组为总体诊断并生成颜色编码的热图，突出对外科医生和病理学家最具诊断价值的区域。

系统的表现如何

团队在三家大型医院收治的44名患者的142张切片图像上测试了 SpineXtract。对每位患者，他们将 AI 的结果与几天后通过常规实验室工作得到的最终诊断进行比较。在四种肿瘤类型的整体评估中，系统以约93%的平衡准确率正确区分它们，这意味着真阳性和真阴性率都很高。对脑膜瘤和施万诺细胞瘤尤其可靠，接近完美表现；对室管膜瘤的判定则相对不那么稳健，但仍然明显有用，因为这类肿瘤的形态本就更具变异性。关键是结果在三家机构、不同年龄和性别组间均保持一致，表明模型能应对患者构成和成像条件的差异。即使研究者将系统限制为每位患者仅用一张图像，准确率仍然很高，且从取样到 AI 输出的全部处理通常在五分钟内完成。

为何这可能改变脊柱手术

为了检验一个通用的脑肿瘤 AI 是否足够，作者还测试了一个在颅内肿瘤上训练的现有分类器。该模型在脊柱病例上的表现明显下降，尤以室管膜瘤和转移瘤为甚，强调了对特定部位工具的需求。SpineXtract 不仅在平衡准确率上超过该早期系统超过15个百分点，还提供了校准的置信度评分和可视化地图，以标注不确定病例并提示何时需要更多组织或专家复核。就实践意义而言，这项工作表明，将无标记光学成像与精心设计的人工智能配对，可在脊柱手术中快速、准确地提供见解，可能减少延误、改善手术决策，并为神经系统其他部位的类似工具奠定基础。

引用: Reinecke, D., Müller, N., Meissner, AK. et al. AI-driven label-free Raman spectromics for intraoperative spinal tumor assessment. npj Digit. Med. 9, 227 (2026). https://doi.org/10.1038/s41746-025-02279-6

关键词: 脊柱肿瘤, 术中诊断, 受激拉曼组织学, 外科中的人工智能, 数字病理学