用人工智能快速无标记光声技术诊断癌症

在病理诊断领域，传统的苏木精-伊红（H&E）染色技术虽然长期作为金标准，但其过程耗时、费力，还容易产生伪影，可能掩盖重要的组织学细节。无标记紫外光声显微镜（UV-PAM）作为一种替代技术应运而生，它无需传统染色和复杂的组织制备就能快速生成类似组织学的图像，不过现有UV-PAM系统在空间分辨率上存在不足，难以满足详细组织学分析和诊断的需求。

为解决这一问题，研究团队研发了亚细胞分辨率紫外光声显微镜（SRUV-PAM）系统。该系统通过集成高数值孔径（NA=0.64）的物镜和精密的压电致动器来实现精细扫描控制，最终达到了240纳米的分辨率，能够清晰呈现细胞核的详细结构。在此基础上，团队还借助循环一致性生成对抗网络（CycleGAN）对SRUV-PAM获取的图像进行虚拟染色处理，让这些图像更符合病理医生的阅读习惯，便于他们理解和解读，无需额外培训。同时，利用密集连接卷积网络DenseNet-121对肝组织样本进行分析，以区分其良恶性。

实验结果显示，在人体肾脏和肝脏组织样本中，SRUV-PAM生成的图像与传统H&E染色图像在结构上高度相似，虚拟染色后的图像也与H&E染色结果基本吻合。在肝肿瘤诊断方面，该系统的表现尤为突出，受试者工作特征曲线下面积（AUC）达到0.902，特异性为90%，敏感性为84%，展现出较强的诊断能力。

不过，该系统目前仍存在一些技术局限，比如采用透射模式和机械逐点扫描，导致成像时间较长，且主要适用于薄组织切片，暂时无法满足术中快速成像或厚组织评估的需求。未来研究可考虑集成超透镜等平面光学元件，以在不降低横向分辨率的前提下实现 volumetric 聚焦，从而拓展其应用范围。