医学检测｜显微高光谱实现鼻腔肿瘤组织良恶性分类

鼻腔内翻性乳头状瘤与恶性肿瘤在部分临床表现和组织形态上较为相似，单靠图像并不容易区分。山东大学齐鲁医院团队使用GaiaMicro显微高光谱成像系统采集168例病理切片数据，并构建光谱—空间双流网络。最终模型区分良恶性鼻腔肿瘤的准确率为91.82%，AUC达到0.98。

168份病理切片｜400—1000 nm｜准确率91.82%｜AUC 0.98

论文做了什么：显微高光谱采集 → 筛选3个差异波段 → 分别提取组织形态与连续光谱 → 注意力融合 → 判断良性或恶性。

文献信息

论文题目：HSI-MSSAF net: A dual-stream network for nasal tumor tissue diagnosis using hyperspectral spectral-spatial features

期刊与年份：Biomedical Signal Processing and Control，2026

研究单位：山东大学齐鲁医院、山东大学控制科学与工程学院等

使用设备：GaiaMicro-G-V10E-AZ4显微高光谱成像系统

DOI：10.1016/j.bspc.2025.108691

研究为什么值得关注

良性内翻性乳头状瘤与部分鼻腔恶性肿瘤可能表现出相似的症状、影像和组织形态。前者还具有复发和恶变风险，因此准确鉴别会直接影响***方案。

病理形态仍是诊断基础，但RGB图像主要记录组织结构，难以呈现组织随波长变化的细微差异。形态不典型时，医生往往还需结合其他检查。

高光谱成像能够同时获得组织图像和连续光谱。图像反映形态，光谱补充与吸收、散射和组织成分相关的信息。论文要验证的是：两类信息结合后，能否更准确地区分形态相似的良恶性组织？

实验设计与显微高光谱数据采集

研究共纳入168份经病理医生确认的鼻腔肿瘤切片，其中良性内翻性乳头状瘤84份、恶性肿瘤84份。病理医生确认诊断后，在每张切片上选取多个互不重叠的显微视野。

为减少数据泄漏，同一患者的不同视野只进入训练集或测试集中的一方。这一划分可减少因相邻视野相似造成的数据泄漏。

研究使用GaiaMicro-G-V10E-AZ4显微高光谱成像系统采集数据。光谱范围为400—1000 nm，分辨率3.5 nm，共256个波段，显微物镜为20×。

采集流程：病理医生标记感兴趣区域，高光谱系统定位并推扫成像，数据经白板、暗背景校正和Norris导数处理后进入波段筛选与模型分析。

▲图1. 病理切片显微高光谱采集与HSI-MSSAF net分析流程

▲图2. 良性与恶性鼻腔肿瘤病理组织的高光谱数据立方体

关键结果一：良恶性组织的差异主要出现在哪里？

Norris导数处理后，良性与恶性组织的光谱曲线整体趋势相近，但在约450—750 nm范围内出现了较明显差异。该范围包含与血红蛋白吸收、组织氧合和散射变化有关的波段，为后续分类提供了光谱依据。

▲图3. 良性与恶性鼻腔肿瘤组织经处理后的平均光谱曲线，差异主要集中在450—750 nm

研究筛选出547.20、657.55和708.93 nm三个差异波段。作者推测它们可能与血红蛋白吸收、组织氧合和结构变化有关，但具体生物学对应关系仍需验证。

▲图4. 基于Qs值筛选三个差异波段，红色虚线为论文设置的选择阈值

关键结果二：光谱和空间信息直接拼接，准确率反而下降

HSI-MSSAF net采用双流结构分别处理空间信息和光谱信息。空间分支以三个特征波段形成的伪彩色图像为输入，通过卷积网络提取组织形态；光谱分支将光谱信息转换为热图，通过Transformer提取波段之间的关联。

两类信息并不是放在一起就一定有效。消融实验中，空间分支的准确率为79.23%；加入光谱数据但不使用注意力融合模块时，准确率反而降至73.86%。这说明不同尺度的特征可能互相干扰。

加入多尺度空间—光谱注意力模块（MS-SAM）后，准确率提高到91.82%。MS-SAM根据样本动态分配空间特征和光谱特征的权重，使模型能够选择当前判断更需要的信息。

▲图5 HSI-MSSAF net整体结构：空间分支、光谱分支分别提取特征，再由MS-SAM完成融合和分类

▲图6 MS-SAM对空间特征与光谱特征进行归一化、加权并融合

关键结果三：准确率91.82%，AUC达到0.98

最终模型准确率为91.82%，AUC达到0.98。研究采用五折交叉验证并重复五次，与基线模型相比差异具有统计学意义（p＜0.05）。

模型对恶性肿瘤的敏感度为91%，对良性病变的特异度为92%。两类样本的识别表现较为均衡。

▲图7 测试集混淆矩阵与ROC曲线，AUC为0.98

模型包含84.23 M个参数，计算量为14.21 GFLOPs。在RTX 4080 GPU、批量大小为1的条件下，单次前向推理时间为8.02 ms。

应用价值与结论边界

病理信息扩展：显微高光谱在组织形态之外增加连续光谱维度，为形态相似病变提供更多可计算信息。

双流融合：实验说明光谱与空间特征不能简单拼接，融合模块需要根据样本判断两类信息的相对贡献。

波段参考：547.20、657.55和708.93 nm为后续研究组织氧合、血管状态和结构差异提供了候选波段，但其生物学对应关系仍需验证。

这项研究完成的是离体病理切片层面的良恶性二分类。组织病理学仍是确诊金标准，模型适合定位为病理医生的辅助分析工具，不能据此表述为已经实现鼻腔肿瘤临床自动诊断。

进一步应用还要解决设备与数据标准化问题。不同医院的照明、染色、切片厚度和校正方式都会影响光谱；当前推扫式显微高光谱系统也需要与数字病理流程进一步整合。

一句话结论：

这项研究证明，显微高光谱能够同时利用病理组织的形态和连续光谱信息；通过注意力机制协调两类特征后，鼻腔良恶性肿瘤切片分类准确率达到91.82%，AUC达到0.98，为高光谱辅助病理分析提供了一个可验证的技术方案。

原文来源：

Li Y, Liu F, Zhang Y, et al. HSI-MSSAF net: A dual-stream network for nasal tumor tissue diagnosis using hyperspectral spectral-spatial features. Biomedical Signal Processing and Control, 2026, 112: 108691. DOI: