拉曼光谱成像系统：精准探测手术标本边缘癌细胞，开启癌症手术新 “视” 界

为解决手术中难以精准检测肿瘤组织及手术切缘癌细胞残留问题，蒙特利尔神经学研究所和医院的研究人员开展拉曼光谱成像系统用于检测手术标本边缘癌细胞的研究，结果显示该系统有潜力，推荐科研读者阅读。

　　

在医疗领域，手术是治疗众多癌症的重要手段，每年全球大约有 4500 万例外科手术 。对于肿瘤患者来说，手术的关键在于完整切除肿瘤，同时保证手术切缘（手术切除的组织边缘）没有癌细胞残留，还要尽可能保留健康组织和器官功能。然而，目前手术中存在不少难题。

就拿脑癌手术来说，脑癌患者的手术治疗挑战重重。脑癌中的胶质瘤是一种常见且棘手的病症，它约占所有原发性脑肿瘤的 24.5%，在原发性恶性脑肿瘤中更是占到了 80% ，其中恶性程度最高的胶质母细胞瘤（Glioblastoma）又占所有恶性脑肿瘤的约 49% 。胶质瘤的癌细胞具有浸润性，就像狡猾的 “小恶魔”，会偷偷地突破肿瘤的边界，钻进周围的脑组织里。这就导致手术很难完全切除肿瘤，要是有残留的癌细胞，肿瘤复发的风险就会大大增加，患者的生存时间和生活质量也会受到严重影响。

而且，当前手术后检查手术切缘是否有癌细胞残留的方法也不太理想。传统的组织病理学分析，需要专业的病理学家花费大量时间和精力，对组织样本进行复杂的处理和观察。这不仅耗时久，还依赖于专业人员的经验，而经验丰富的病理学家数量有限，供不应求，这就使得术中对手术切缘的评估变得困难重重。另外，目前也缺乏能在手术过程中提供实时反馈的工具，无法及时、准确地帮助医生判断肿瘤组织的位置和范围。

为了解决这些难题，蒙特利尔神经学研究所和医院（McGill 大学健康中心）的研究人员在《Scientific Reports》期刊上发表了一篇名为《Raman spectroscopy imaging system for intraoperative margin assessment of glioblastoma specimens》的论文。他们通过研究发现，一种全新的拉曼光谱成像系统，有望成为手术中的得力助手，帮助医生更好地检测手术标本边缘的癌细胞。这一研究成果意义重大，它为癌症手术的精准治疗带来了新的希望，有可能改善患者的预后情况，减少肿瘤复发的风险。

研究人员在这项研究中，主要用到了以下几个关键技术方法：首先是拉曼光谱成像技术，利用该技术开发出的成像系统，可以对手术切除的肿瘤标本进行检测。这个系统有一个便携式成像探头，视野（Field of View，FOV）能达到 1 ，可以获取样本的拉曼光谱图像和明场图像。其次是机器学习技术，研究人员基于之前多中心临床研究中单点系统获得的数据，利用支持向量机（Support Vector Machines，SVM）和五折交叉验证等方法，开发了一个胶质母细胞瘤检测机器学习模型。这个模型可以对拉曼光谱图像中的每个像素进行分析，预测该区域是肿瘤组织还是正常脑组织。

下面来看看具体的研究结果：

• 高光谱拉曼成像仪器：研究人员开发了一种拉曼光谱成像系统，该系统可用于检测手术切缘的残留癌细胞。它配备了一个视野为 1 的便携式成像探头，能直接在手术室中对新鲜的胶质母细胞瘤患者的脑标本进行检测。采集的拉曼图像包含 1440 个像素，每个像素都有对应的拉曼光谱，光谱分辨率为 8 ，光谱范围是 400 - 1800 。这些光谱包含了丰富的生物分子信息，能反映出样本中不同生物分子的特征。
• 肿瘤检测机器学习模型：研究人员利用之前验证过的单点系统数据，开发了一个胶质母细胞瘤检测机器学习模型。该模型选择了 1004 、1340 和 1430 - 1460 这三个拉曼波段的光谱特征。1004 的峰与苯丙氨酸的浓度有关，1340 的信号与蛋白质胶原蛋白和色氨酸有关，1430 - 1460 的峰则包含了脂质和蛋白质相对浓度的信息，与和分子键的变形有关。这个模型的准确率达到了 91%，灵敏度为 90%，特异性为 95% 。研究人员将其集成到拉曼成像仪器的数据处理和操作软件中，这样每次获取拉曼图像时，模型就能直接对图像中的每个光谱进行分析，生成癌症可能性（Cancer Likelihood）地图。
• 患者标本和组织学：研究人员对 5 名胶质母细胞瘤患者的 9 个手术标本进行了分析。他们为每个标本都采集了明场图像和数字化的苏木精 - 伊红（Hematoxylin and Eosin，H&E）染色组织学地图，并与拉曼数据进行了精准匹配。根据组织学特征，这些标本被分为不同的类别，比如全部是肿瘤组织的（All Tumor）、肿瘤组织伴有广泛坏死的（All Tumor with Extensive Necrosis）、癌细胞密度较低的（Low Cellularity Tumor）以及正常脑组织伴有癌细胞浸润的（Normal brain with Infiltration）。
• 生物分子信息含量和系统间光谱差异：研究人员将拉曼成像系统获取的光谱与单点系统获取的光谱进行了对比。他们发现，两个系统检测到的生物分子特征大多是一致的，但在一些蛋白质波段，像 1300 、1620 和 1660 处，峰强度存在差异。这可能是因为单点测量是在体内进行的，而成像测量是在体外进行，组织环境的变化导致了蛋白质变性等问题，也可能与荧光背景去除算法的应用有关。不过，肿瘤检测机器学习模型所使用的光谱特征，并没有受到这些系统差异的影响。
• 机器学习预测与组织学的一致性：拉曼成像系统在检测不同类型的肿瘤和非肿瘤组织方面表现出色。对于那些经组织病理学分析被判定为纯肿瘤的标本，拉曼成像系统能够准确预测出整个视野内都含有肿瘤组织；对于含有坏死组织的肿瘤标本，虽然模型在区分坏死组织和癌细胞方面存在一定困难，但仍然能正确预测出大部分区域为肿瘤组织；对于那些在肿瘤周边采集的标本，拉曼成像系统能检测出其中既有肿瘤组织又有正常脑组织；对于主要是正常脑组织且只有少量癌细胞浸润的标本，拉曼成像系统也能给出较低的癌症可能性预测。
• 不同解剖区域之间的生物分子改变：研究人员根据标本的疑似解剖来源和组织学分析，将其分为不同的类别，包括肿瘤核心（Tumor Core）、肿瘤界面（Tumor Interphase）、肿瘤周边 - 癌症（Tumor periphery – Cancer）和肿瘤周边 - 正常脑（Tumor periphery – Normal brain）。通过分析不同类别标本的平均光谱，他们发现肿瘤检测模型所使用的拉曼波段在肿瘤核心和肿瘤界面之间没有显著差异，这意味着模型难以区分癌症组织和坏死组织。但是，在肿瘤核心 / 肿瘤界面、肿瘤周边 - 癌症与肿瘤周边 - 正常脑之间，这些拉曼波段存在显著差异。随着从肿瘤核心 / 肿瘤界面区域向癌症特征较少的区域移动，脂质与蛋白质的比例、蛋白质和氨基酸的浓度都呈现出逐渐降低的趋势。

从研究结论和讨论部分可以看出，这项研究成果具有重要意义。通过大视野拉曼成像预测癌细胞的存在是可行的，并且该方法能有效评估手术切缘情况，为临床手术提供了一种潜在的有效手段。不过，研究也存在一些局限性，比如组织病理学图像和拉曼成像系统获取的图像在空间配准上不够准确，导致无法精确计算拉曼成像系统在像素层面的性能指标。另外，肿瘤检测机器学习模型没有经过区分高癌细胞密度区域和坏死区域的训练，虽然两者之间存在光谱差异，但模型目前还无法识别。

尽管如此，这项研究为后续的研究和临床应用指明了方向。未来的研究可以进一步优化系统设计，提高信号噪声比，比如改进成像束设计，减少光损失，或者调整扫描轴的空间分辨率，在不影响检测效果的前提下缩短成像时间。同时，还可以开发更复杂的机器学习模型，提高对肿瘤细微表型的检测能力，比如检测胶质母细胞瘤的侵袭梯度。而且，该系统还有望应用于其他癌症手术，如乳腺癌、前列腺癌等，通过在手术中检测标本，帮助医生及时发现残留肿瘤，从而进一步切除组织，减少疾病复发，同时最大程度保护健康组织。总的来说，这项研究为癌症手术的精准治疗迈出了重要的一步，为未来的医学发展提供了新的思路和方法。