头颈癌是全球第六大常见癌症，2020年新增病例超85万例，死亡病例达40万，且发病率呈上升趋势。传统诊断依赖病理活检和术中冰冻切片分析，但前者耗时长且无法术中应用，后者准确性有限（常需术后二次确认），导致约7.5%-10%的病例存在肿瘤残留（R1切除），严重影响患者预后。因此，亟需一种术中实时、高精度的肿瘤识别技术，以指导精准切除并保护功能组织。

图1.显微内窥镜装置示意图[1]

该研究团队开发了一种紧凑型刚性内窥镜系统（图1），其光源采用基于光参量放大的光纤激光器，并利用空芯光纤和多模光纤等结构收集传输信号。该系统整合了相干反斯托克斯拉曼散射（CARS）、双光子激发荧光（TPEF）及二次谐波产生（SHG）三种非线性光学成像技术，结合机器学习与飞秒激光消融技术，实现了自动化的精准组织切除，为诊断与治疗一体化提供了新方法。

图2.（A）显微内镜成像结果，（B）HE染色结果[2]

图2展示了显微内镜成像结果（A）与病理医生标注的HE染色结果（B）。左侧肌肉组织因富含脂质，激发较强的CARS信号（红色）；癌症基质中的胶原纤维和弹性蛋白产生SHG信号（蓝色）；癌细胞代谢活跃导致NADH含量升高，在显微内镜成像中呈现更强的TPEF信号。结果显示，内窥镜成像结果与HE染色高度吻合，可清晰区分癌变区域。

图3.（A）六类分类结果与对照，（B）两类分类结果与对照[2]

研究团队采集15名患者的20例头颈肿瘤组织样本，训练了基于U-Net3+架构的深度学习模型，用于多模态图像的语义分割。如图3（A）所示，模型最初将组织分为六类（如健康上皮、肿瘤基质、坏死等），但由于患者年龄、性别及癌症位置差异的影响，模型对癌细胞的区分能力不足。因此，团队进一步将分类简化为“需切除组织”（肿瘤、坏死、肿瘤基质）和“需保留组织”两类。结果显示（图3B），模型对“需切除组织”的识别灵敏度达90%，特异性达96%，为术中实时诊断提供了可靠支持。

图4.（A）处理前样品的多模态非线性图像，（B）处理后样品的多模态非线性图像[2]

为实现精准治疗，研究团队将飞秒激光消融系统整合至内窥镜中，通过机器学习生成消融掩膜，全自动完成目标组织的选择性切除。图4（A）为未处理的胆固醇晶体内窥镜成像，经模型处理后生成待切除区域（ROI），随后利用飞秒激光消融技术切除了胆固醇晶体（图4B）。在脑组织样本中，飞秒激光成功选择性消融了尺寸约数十微米的胆固醇晶体，且未损伤周围组织。这一结果验证了该技术在头颈癌手术中实现精准切除的可行性。

本研究通过多模态内窥镜成像、深度学习分析和飞秒激光消融技术的协同创新，为头颈癌的术中精准诊疗提供了全新方案。该技术不仅能实现肿瘤的实时无标记检测，还能在AI指导下完成高精度切除，为未来微创手术和功能保留治疗开辟了新路径。随着技术的进一步优化和临床验证，该平台有望成为头颈癌诊疗的重要工具。

参考文献：

[1] Chenting L, Matteo C, Karl R et al. Design and test of a rigid endomicroscopic system for multimodal imaging and femtosecond laser ablation. Journal of biomedical optics, 2023, 28(6): 066004-066004.

[2] Calvarese M, Corbetta E, Contreras J et al. Endomicroscopic AI-driven morphochemical imaging and fs-laser ablation for selective tumor identification and selective tissue removal. Science advances, 2024, 10(50): eado9721.

       原文标题 : 医用光学技术之三 AI驱动多模态内窥镜成像与飞秒激光消融