導讀：

鼻腔內翻性乳頭狀瘤與惡性腫瘤在部分臨床表現和組織形態上較為相似，單靠圖像并不容易區分。山東大學齊魯醫院團隊使用GaiaMicro顯微高光譜系統采集168例病理切片數據，并構建光譜—空間雙流網絡。最終模型區分良惡性鼻腔腫瘤的準確率為91.82%，AUC達到0.98。

168份病理切片｜400—1000 nm｜準確率91.82%｜AUC 0.98

論文做了什么：顯微高光譜采集 → 篩選3個差異波段 → 分別提取組織形態與連續光譜 → 注意力融合 → 判斷良性或惡性。

1. 文獻信息

論文題目：HSI-MSSAF net: A dual-stream network for nasal tumor tissue diagnosis using hyperspectral spectral-spatial features

期刊與年份：Biomedical Signal Processing and Control，2026

研究單位：山東大學齊魯醫院、山東大學控制科學與工程學院等

使用設備：GaiaMicro-G-V10E-AZ4顯微高光譜成像系統

DOI：10.1016/j.bspc.2025.108691

2. 研究為什么值得關注

良性內翻性乳頭狀瘤與部分鼻腔惡性腫瘤可能表現出相似的癥狀、影像和組織形態。前者還具有復發和惡變風險，因此準確鑒別會直接影響治療方案。

病理形態仍是診斷基礎，但RGB圖像主要記錄組織結構，難以呈現組織隨波長變化的細微差異。形態不典型時，醫生往往還需結合其他檢查。

高光譜成像能夠同時獲得組織圖像和連續光譜。圖像反映形態，光譜補充與吸收、散射和組織成分相關的信息。論文要驗證的是：兩類信息結合后，能否更準確地區分形態相似的良惡性組織？

3. 實驗設計與顯微高光譜數據采集

研究共納入168份經病理醫生確認的鼻腔腫瘤切片，其中良性內翻性乳頭狀瘤84份、惡性腫瘤84份。病理醫生確認診斷后，在每張切片上選取多個互不重疊的顯微視野。

為減少數據泄漏，同一患者的不同視野只進入訓練集或測試集中的一方。這一劃分可減少因相鄰視野相似造成的數據泄漏。

研究使用GaiaMicro-G-V10E-AZ4顯微高光譜成像系統采集數據。光譜范圍為400—1000 nm，分辨率3.5 nm，共256個波段，顯微物鏡為20×。

采集流程：病理醫生標記感興趣區域，高光譜系統定位并推掃成像，數據經白板、暗背景校正和Norris導數處理后進入波段篩選與模型分析。

圖1 病理切片顯微高光譜采集與HSI-MSSAF net分析流程。

圖2 良性與惡性鼻腔腫瘤病理組織的高光譜數據立方體。

4. 關鍵結果一：良惡性組織的差異主要出現在哪里？

Norris導數處理后，良性與惡性組織的光譜曲線整體趨勢相近，但在約450—750 nm范圍內出現了較明顯差異。該范圍包含與血紅蛋白吸收、組織氧合和散射變化有關的波段，為后續分類提供了光譜依據。

圖3 良性與惡性鼻腔腫瘤組織經處理后的平均光譜曲線，差異主要集中在450—750 nm。

研究篩選出547.20、657.55和708.93 nm三個差異波段。作者推測它們可能與血紅蛋白吸收、組織氧合和結構變化有關，但具體生物學對應關系仍需驗證。

圖4 基于Qs值篩選三個差異波段，紅色虛線為論文設置的選擇閾值。

5. 關鍵結果二：光譜和空間信息直接拼接，準確率反而下降

HSI-MSSAF net采用雙流結構分別處理空間信息和光譜信息。空間分支以三個特征波段形成的偽彩色圖像為輸入，通過卷積網絡提取組織形態；光譜分支將光譜信息轉換為熱圖，通過Transformer提取波段之間的關聯。

兩類信息并不是放在一起就一定有效。消融實驗中，空間分支的準確率為79.23%；加入光譜數據但不使用注意力融合模塊時，準確率反而降至73.86%。這說明不同尺度的特征可能互相干擾。

加入多尺度空間—光譜注意力模塊（MS-SAM）后，準確率提高到91.82%。MS-SAM根據樣本動態分配空間特征和光譜特征的權重，使模型能夠選擇當前判斷更需要的信息。

圖5  HSI-MSSAF net整體結構：空間分支、光譜分支分別提取特征，再由MS-SAM完成融合和分類。

圖6 MS-SAM對空間特征與光譜特征進行歸一化、加權并融合。

6. 關鍵結果三：準確率91.82%，AUC達到0.98

最終模型準確率為91.82%，AUC達到0.98。研究采用五折交叉驗證并重復五次，與基線模型相比差異具有統計學意義（p＜0.05）。

模型對惡性腫瘤的敏感度為91%，對良性病變的特異度為92%。兩類樣本的識別表現較為均衡。

圖7 測試集混淆矩陣與ROC曲線，AUC為0.98

模型包含84.23 M個參數，計算量為14.21 GFLOPs。在RTX 4080 GPU、批量大小為1的條件下，單次前向推理時間為8.02 ms。

7. 應用價值與結論邊界

病理信息擴展：顯微高光譜在組織形態之外增加連續光譜維度，為形態相似病變提供更多可計算信息。

雙流融合：實驗說明光譜與空間特征不能簡單拼接，融合模塊需要根據樣本判斷兩類信息的相對貢獻。

波段參考：547.20、657.55和708.93 nm為后續研究組織氧合、血管狀態和結構差異提供了候選波段，但其生物學對應關系仍需驗證。

這項研究完成的是離體病理切片層面的良惡性二分類。組織病理學仍是確診金標準，模型適合定位為病理醫生的輔助分析工具，不能據此表述為已經實現鼻腔腫瘤臨床自動診斷。

進一步應用還要解決設備與數據標準化問題。不同醫院的照明、染色、切片厚度和校正方式都會影響光譜；當前推掃式顯微高光譜系統也需要與數字病理流程進一步整合。

一句話結論

這項研究證明，顯微高光譜能夠同時利用病理組織的形態和連續光譜信息；通過注意力機制協調兩類特征后，鼻腔良惡性腫瘤切片分類準確率達到91.82%，AUC達到0.98，為高光譜輔助病理分析提供了一個可驗證的技術方案。

原文來源

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: 10.1016/j.bspc.2025.108691。