《Scientific Reports》：Real-time identification of malignant breast tissue during electrosurgical resection
编辑推荐：
实现乳腺癌的完整切除并获得阴性切缘仍是重大手术挑战，尤其对于浸润性亚型，其再切除率高达45%。因此，能够为外科医生提供切除乳腺组织实时反馈的装置有望显著提高R0切除率。本研究代表了使用光学发射光谱（OES）进行乳腺组织术中实时分类的进一步进展。研究目标是确立O
实现乳腺癌的完整切除并获得阴性切缘仍是重大手术挑战，尤其对于浸润性亚型，其再切除率高达45%。因此，能够为外科医生提供切除乳腺组织实时反馈的装置有望显著提高R0切除率。本研究代表了使用光学发射光谱（OES）进行乳腺组织术中实时分类的进一步进展。研究目标是确立OES在电外科切割过程中区分正常与病理性乳腺组织的可行性。研究人员分析了来自80例患者标本的光谱，其中包括68例接受乳腺癌手术的患者和12例接受预防性乳腺切除或乳腺缩小术的患者。采用基于选定光谱特征的机器学习方法，对非特殊类型（NST）和浸润性小叶癌（ILC）肿瘤的光谱进行了光谱学分类。NST光谱的真阳性率达到91.0%，ILC光谱为78.7%；NST的真阴性率为95.2%，ILC为85.4%。总之，当前支持向量机（SVM）算法对主要NST亚型表现出可靠的分类性能，但ILC分类的准确性仍需提高。有必要进一步改进基于OES的分类方法，以增强其在所有乳腺癌亚型（尤其罕见类型）中的可靠性，从而促进手术期间的稳健实时检测。
该研究发表于《Scientific Reports》，旨在开发一种基于光学发射光谱（OES）的实时组织识别技术，以解决乳腺癌手术中切缘阳性率高、再切除率居高不下的临床难题。
研究背景与问题：乳腺癌是全球女性最常见的恶性肿瘤，约占所有癌症病例的四分之一。手术切除是早期乳腺癌治疗的基石，而实现阴性手术切缘是国际指南推荐的金标准，对患者预后具有重要影响。然而，由于术中无法实时获得组织学反馈，约16%至23%的乳腺癌患者因切缘阳性需要再次手术；对于浸润性小叶癌（ILC）患者，这一比例更高达24%至45%。再切除不仅降低无复发生存率、影响患者生活质量，还增加医疗成本，并占用本可用于初次手术患者的手术资源，导致诊断与初次手术间等待时间延长。尽管已有多种术中切CURRENT切缘评估技术（如术中超声、微CT、术中MRI等），但这些技术主要在宏观影像学层面评估切缘，无法达到细胞级别的微观组织识别精度。光学发射 READ发射光谱（OES）作为一种能够定性定量分析电外科过程中组织释放化学元素和电解质的工具，为实现微观层面的术中实时组织识别提供了新途径。此前OES已成功应用于肾脏组织、胃壁分层以及乳腺组织的鉴别研究，但针对不同乳腺癌亚型的精细分类尚待深化。
研究人员开展了什么研究及其结论：本研究利用OES技术，在非特殊类型乳腺癌（NST）和浸润性小叶癌（ILC）患者的电外科切除过程中，实时采集并分析组织光发射光谱，构建基于SUPPORT向量机（SVM）的分类算法，以区分正常组织与异常组织（包括肿瘤、坏死、原位癌及肿瘤相关间质）。研究证实OES能够有效区分良恶性乳腺组织，为术中实时反馈提供了技术可行性。
研究的重要意义：该研究是OES技术向临床转化的重要推进，首次针对乳腺癌主要亚型（NST和ILC）建立了差异化的分类模型，展示了OES在乳腺癌手术中作为术中辅助工具的潜力，尤其为降低NST患者的再切除率提供了新思路。
研究采用的主要关键技术方法：研究采用RF-OES联合系统，包括含主动铲状电极的原型器械（用于RF切割，连接VIO3电外科 unit）、光收集传输模块（光纤）及Ocean Optics Maya2000Pro光谱仪（200–424 nm波段，积分时间10 ms，20次累加为200 ms谱图），通过火花检测传感器触发光谱采集。样本来源于德国图宾根大学医院妇产科2020年10月至2022年9月期间的81例患者（最终80例纳入分析），其中恶性组68例（NST 26例、ILC 23例等）、良性组12例（预防性切除或缩乳术），术后标本经拓扑定位、色标标记、层切后，在冗余诊断区域进行RF-OES切割，精确定位并拍照记录，随后经4.5%中性缓冲甲醛固定、石蜡包埋、约100–120 μm间距连续切片及HE染色，由病理医师盲法评估切缘周围正常与异常组织占比。光谱预处理采用不对称最小二乘或线性拟合基线校正，以碳发射线信噪比作为质控标准，归一化后经支持SUPPORT向量分类器（SVC）机器学习，提取发生率>5%的鉴别性光谱特征进行分类，结果以混淆矩阵呈现。
研究结果：患者与组织样本特征——分析纳入80例患者的602处RF-OES切割，中位年龄58岁（±15），仅1例男性。68例接受肿瘤手术，12例为预防性或缩乳手术。病理分期以pT2为主（50%患者，51.2%切割），分级以G2居多（61.7%患者，62.1%切割），激素受体阳性占91.2%，Her2/neu低表达占64.7%。组织学亚型中NST（伴或不伴DCIS）占47%，LCIS（经典型和多形型）共占23%。手术方式包括保乳手术（35%）、乳房切除术（28%）及保留乳头/皮肤皮下乳房切除术（21%）。78%患者未接受术前治疗。NST组182处切割中，异常组织81处（含NST 87.7%、NST+DCIS 11.1%、单纯DCIS 8.6%、坏死4.9%、仅坏死2.5%、肿瘤间质87.7%），正常组织101处（脂肪98.0%、结缔组织85.1%、腺体26.7%）。ILC组164处切割中，异常组织71处（ILC 98.6%、ILC+LCIS 2.8%、单纯LCIS 2.8%、肿瘤间质98.6%），正常组织93处（脂肪95.7%、结缔组织76.3%、腺体14.0%）。
选定用于机器学习的特征——鉴于临床转化需采用成本更低、分辨率适中的光谱仪，本研究选用OceanOptics Maya2000 Pro（200–424 nm），从既往19个Echelle光谱特征中筛选出3个关键特征用于分类：（a）213.5 nm（磷/锌）、（b）232.0 nm（碳）、（c）279.5 nm（镁）处的光谱峰。
NST与ILC肿瘤的组织学差异——HE染色显示，RF切割表面可见绿色组织墨水标记的 Vacuolized（空泡化）和凝固坏死组织。NST特征为多形性肿瘤细胞巢状排列，伴坏死区和反应性肿瘤间质；ILC表现为小而形态不规则的肿瘤细胞呈丝状生长，侵入纤维间质，系E-cadherin（E-钙黏蛋白）缺失所致非黏附性浸润；DCIS细胞充满乳腺导管但未向周围浸润；LCIS形成于终末导管小叶单位（TDLU），填充腺泡，>50%腺泡组织被肿瘤细胞填充扩张方可诊断。
基于肿瘤类型的分类准确性——整体队列（图6a）：SVM真阴性率91.9%，真阳性率84.7%，假阳性率8.1%，假阴性率15.3%。NST亚组（图6b，26例）：473/497（95.2%）光谱正确判为正常，365/401（91.0%）正确判为异常，假阴性36/401（9.0%），假阳性24/497（4.8%）；1例男性NST患者的21个光谱全部正确分类。ILC亚组（图6c，23例）：346/410（84.4%）光谱正确判为正常，273/347（78.7%）正确判为异常，假阴性74/347（21.3%），假阳性64/410（15.6%）。
讨论：众多研究与临床指南强调实现R0切除的关键重要性，且乳腺癌发病率持续上升。在此背景下，优化术中正常与异常乳腺组织的实时鉴别对于改善患者护理和手术结局至关重要。切缘评估不仅关系到患者生存和复发率，还能缩短其他患者的手术等待时间、减轻医疗系统负担。现有术中切缘评估技术主要包括Margin Probe、ClearCoast、术中超声（IOUS）、微CT和术中MRI等，其中IOUS已成功整合入临床实践并被meta分析证实可降低R1率。然而，这些技术主要在宏观影像学层面评估切缘，而OES能够在微观细胞水平进行组织评估，提供了不同维度的术中评估手段。OES仅在HF（高频）介导的组织横断期间运作，设计为乳腺癌手术中的术中辅助工具，在切割界面直接提供实时反馈而不干扰手术流程，不用于指导术前或术中切除范围规划，不缩小手术切缘宽度，也不替代已建立的切缘评估方法（包括切除标本的组织病理学评估）。
术中细胞学检查方面，术中冰冻切片主要用于前哨淋巴结评估，在检测和确认切缘受累方面效果有限，存在假阴性 false阴性false阳性的显著风险，可能导致健康组织的不必要切除或肿瘤切除不完全。细胞学检查虽能提供细胞学层面的切缘评估，与冰冻切片联合应用具有较高的诊断准确性，但两者均需现场病理医师，资源密集度高，且冰冻切片延长麻醉和手术时间，增加临床、经济和社会成本，并导致其他患者等待时间延长。
NST肿瘤占全球乳腺癌病例的75%至80%，OES对其分类显示出高特异性和敏感性。ILC占10%至15%，因E-cadherin缺失导致丝状生长模式和非黏附性向周围组织浸润，再切除率（24%至45%）高于NST（16%至23%），凸显了改进ILC术中切缘评估技术的紧迫性。ILC组OES分类假阴性率达21.3%，虽高于NST但仍低于文献报道的再切除率；假阳性率15.6%显著高于NST的4.8%，提示当前SVM算法对ILC的效果逊于NST。这是由于ILC复杂生长模式使其切缘更难以 detection检测，且OES分类的是汽化组织，而组织学评估的是切割后残留组织，在小尺度组织归属变化时尤其容易产生 ground truth（金标准）判别的差异。此外，假阴性和假阳性率按光谱计算（每光谱200 ms），若肿瘤组织丰富，后续光谱可能提供更准确的检测。人眼对光声和视觉反馈的反应时间约200至300 ms。鉴于ILC切缘通常更不明确，SVM算法在模糊切缘区域的光谱分类可能存在困难，因为当前算法基于二元超平面分类，不支持不确定分类。因此，当训练数据集扩大后，采用能够分析复杂相关性的ANN（人工神经网络）或可改善结果，尤其针对ILC。ANN还可能通过 alert警示检测到具有不确定特征的过渡光谱，提供实时术中反馈。
由于OES检测依赖于RF切除过程中原子和分子的激发，其分析的是汽化组织而非组织学检查的周围组织，这在切缘 poorly poorly poorly poorly poorly poorly poorly poorly poorly poorly poorly poorly
