[2018年美国旧金山国际光学工程学会头颈外科与耳鼻喉科光学成像、治疗及先进技术会议（2018.1.27-2018.2.1）] 2018年头颈外科与耳鼻喉科光学成像、治疗及先进技术 - 基于高光谱成像和卷积神经网络的头颈部癌症光学活检技术

1：实验设计与方法选择：

本研究招募了21例接受手术切除的头颈癌患者，采集60份切除组织样本（肿瘤组织、正常组织及肿瘤-正常交界区）。通过高光谱成像系统获取组织图像，由病理学家以数字化组织学切片作为金标准进行诊断。采用基于AlexNet架构和改进Inception模块的卷积神经网络（CNN）进行组织分类，模型在TensorFlow框架中实现。

2：样本选择与数据来源：

样本来自呼吸道消化道头颈部鳞状细胞癌患者（7例）和甲状腺组患者（14例，包含良性多结节性甲状腺肿、经典型甲状腺乳头状癌、滤泡型甲状腺乳头状癌及髓样甲状腺癌）。获取高光谱图像并进行预处理后，生成图像块用于CNN训练和测试。

3：实验设备与材料清单：

高光谱成像系统（CRI Maestro成像系统，珀金埃尔默公司），包含氙气白光光源、液晶可调谐滤光片和16位电荷耦合器件（CCD）相机。软件：TensorFlow用于CNN实现，MATLAB用于ROC曲线分析，Aperio ImageScope（徕卡生物系统公司）用于组织学切片数字化。

4：实验流程与操作规范：

组织样本在冷PBS缓冲液中运输，经高光谱扫描后使用暗电流和白参考进行归一化处理，并移除眩光像素。从高光谱数据中创建25×25×91维度的非重叠图像块。采用留一患者交叉验证法训练验证CNN模型，通过ROC曲线、AUC值、准确率、灵敏度和特异度评估性能。

5：数据分析方法：

使用MATLAB构建ROC曲线并计算AUC值、准确率、灵敏度和特异度。CNN分类基于每个图像块的最高概率类别，多分类任务采用决策树方法进行子类划分。