基于人工智能的术中高光谱成像技术开发3D神经外科决策支持系统：STRATUM项目研究

为解决脑肿瘤手术中实时组织鉴别和精准切除的临床难题，STRATUM项目开发了集成高光谱成像(HSI)、人工智能(AI)和高性能计算(HPC)的3D决策支持系统。通过多模态数据融合和实时处理，该系统显著提升肿瘤边界识别精度，缩短手术时间45分钟，并减少术中病理评估需求。研究成果发表于《Microprocessors and Microsystems》，为神经外科数字化诊疗树立新标杆。

　　

神经外科手术中，脑肿瘤的精准切除始终面临巨大挑战。由于肿瘤组织与正常脑组织的视觉相似性，即使经验丰富的神经外科医生也可能在术中误切健康组织或残留肿瘤细胞。据统计，全球每年新增32万例脑和中枢神经系统(CNS)肿瘤病例，其中90%为原发性脑肿瘤。更严峻的是，WHO分级3-4级的高级别胶质瘤具有浸润性生长特性，传统肉眼观察难以准确判断边界。当前临床依赖的术中病理诊断需耗时45分钟，且荧光引导手术存在光敏剂毒性风险，特别是对儿童和孕妇患者。这些局限性直接导致肿瘤复发率升高，成为影响患者生存质量(QoL)的关键因素。

为解决这一系列难题，由拉斯帕尔马斯大学(ULPGC)牵头，联合欧洲6国12家机构组成的STRATUM consortium，开展了为期5年的Horizon Europe资助项目(编号101137416)。该项目创新性地将高光谱成像(HSI)技术与人工智能(AI)算法结合，开发出具有实时处理能力的3D决策支持系统。研究成果发表于《Microprocessors and Microsystems》，标志着神经外科数字化诊疗技术的重大突破。

研究团队采用三项核心技术：1)基于液晶可调谐滤波器(LCTF)的术中高光谱采集系统，可在420-1100nm范围内获取93个波段数据；2)异构高性能计算(HPC)平台，整合GPU、FPGA和内存处理(PIM)加速器；3)空间-光谱融合算法框架，结合主成分分析(PCA)、支持向量机(SVM)和K均值聚类(KMeans)等多模态分析方法。临床数据来自前期HELICoiD项目建立的500例脑肿瘤患者队列。

6.1 高光谱处理框架验证
通过5折交叉验证证实，结合PCA降维、SVM分类和KMeans聚类的混合算法框架，对原发性和转移性脑肿瘤的识别准确率(F1-Score)达0.87±0.05。该系统使用推扫式高光谱相机(Headwall Hyperspec? VNIR)采集826个波段数据，经优化后保留128个特征波段(450-900nm)，空间分辨率达741×1004像素。

6.2 LCTF采集系统创新
新型LCTF系统采用Thorlabs Kurios VB1/XE2滤光片和Kiralux LP126MU单色相机，在5nm间隔下获取136个波段，单幅图像达4096×3000像素。与推扫式系统相比，模拟数据显示其分类性能相当(F1-Score差异<0.03)，但采集时间缩短至30秒。

6.3 计算性能优化
在MareNostrum 5超算平台上测试表明：CPU单核处理全尺寸图像(3000×4096×93)需463分钟，其中K近邻(KNN)算法耗时82%。而NVIDIA H100 GPU加速后，处理时间降至75秒，速度提升352倍。内存瓶颈分析显示，BSQ-to-BIP格式转换占预处理时间的61%。

6.4 临床转化路径
项目采用PRINCE2?管理方法，分4阶段推进：1)伦理审批和数据库建设；2)原型开发(36个月)；3)多中心临床验证(瑞典Karolinska和西班牙12 de Octubre医院)；4)CE/FDA认证准备。通过健康技术评估(HTA)预测，该系统可使手术时间缩短27%，医疗成本降低15%。

这项研究的意义在于创建了首个符合TRL7标准的AI驱动神经导航系统。其创新点体现在三方面：首先，LCTF-HSI技术突破了传统荧光引导的局限性，实现无标记组织鉴别；其次，异构HPC架构使实时处理6.4GB/s的术中数据成为可能；最后，通过co-creation方法论确保系统与临床工作流无缝整合。未来通过FPGA和PIM加速器优化，该系统有望在2027年前达到TRL9，为脑肿瘤精准治疗提供革命性工具。