编辑推荐：
本研究针对临床高光谱成像（HSI）数据匮乏的瓶颈，提出“异种学习（Xeno-learning）”概念，通过动物模型数据增强人类组织光谱分析。研究基于14,013张人/猪/鼠HSI图像，证明病理或手术干预引发的相对光谱变化具有跨物种可比性，并通过生理学数据增强技术实现猪/鼠数据向人类应用的迁移，显著提升组织分割模型对低氧灌注（StO2）及吲哚菁绿（ICG）注射状态的识别性能，为临床AI模型训练开辟新路径。
在手术中，医生需要精准区分不同组织类型，例如识别病理组织与正常组织，或保护关键结构。然而，传统医用摄像头仅能模拟人眼感知红、绿、蓝三原色，无法捕捉更丰富的光谱信息。高光谱成像（HSI）技术通过记录数百个特定波段的光，有望解码组织类型和功能信息，但面临临床数据稀缺的挑战——人类数据难以大规模标准化采集，而动物实验数据虽丰富却因物种差异无法直接应用。
为此，发表于《Nature Biomedical Engineering》的研究提出“异种学习（Xeno-learning）”方法，灵感来源于异种移植，旨在将动物模型中的知识迁移至人类应用。研究团队收集了人、猪、大鼠共14,013张HSI图像，语义标注2,596张图像中的11种器官，发现尽管不同物种的器官光谱存在显著差异，但由病理（如缺血）或手术操作（如ICG注射）引起的相对光谱变化具有跨物种一致性。基于此，他们开发了“生理学数据增强”技术：首先从源物种（如猪）中学习生理状态向异常状态（如低灌注）的光谱变换规律，再将该线性变换模型应用于目标物种（如人类）的数据增强，从而提升深度学习模型对异常组织的识别能力。
关键技术方法
研究使用医疗级HSI系统Tivita Surgery采集500–1000 nm光谱数据，通过L1归一化预处理消除光照偏差。采用U-Net架构（EfficientNet-B5编码器）进行语义分割，训练中结合仿射变换、器官移植增强及xeno-learning增强（概率0.8）。关键创新在于通过线性变换矩阵（100×100权重+偏置）编码相对光谱变化，并利用随机权重λ插值生成连续异常状态数据。人类数据来自海德堡大学医院230例患者，动物数据通过标准化血管钳闭或ICG注射实验获取。
研究结果
跨物种光谱差异导致分割模型失效
分析显示，同一器官的光谱特征在物种间差异显著（图3a），例如猪胰腺光谱更接近人类结肠而非人类胰腺。线性混合模型证实物种是某些波段的主要变异来源（附图3）。直接跨物种应用分割模型导致性能下降43–56%（图3b），联合训练动物与人类数据亦未改善结果。
相对光谱变化具有跨物种可比性
以肾脏为例，尽管绝对光谱不同，但从生理状态到缺血或ICG注射后的光谱变化模式相似（图5）。主成分分析（PCA）显示不同物种的异常组织在特征空间中沿同一方向偏移。
异种学习实现知识迁移
通过生理学数据增强，目标物种的训练数据分布得以扩展（图7），显著提升模型对低StO2组织的分割精度（图6）。在猪→人迁移中，Dice相似系数（DSC）在低氧区域明显改善；ICG相关任务中，猪肝脏分割DSC提升0.96，大鼠提升0.86（图8）。
结论与意义
研究证实跨物种光谱知识迁移的可行性，突破临床HSI数据瓶颈。异种学习通过提取动物模型中标准化的病理响应模式，增强人类数据的多样性，尤其适用于灌注异常、药物反应等难以在临床中可控诱导的场景。该方法可扩展至其他病理机制（如纤维化、炎症），为AI模型在医疗影像中的泛化性提供新范式。代码与预训练模型公开共享，推动领域可持续发展。
