小肠是维持体内营养吸收和免疫稳态的主要器官。它依赖于复杂的肠系膜血管网络来供应血液，因此在肠扭转或肠套叠等情况下极易受到缺血损伤[1]，[2]。因此，如果没有及时干预，不可逆的坏死病变会迅速发展。临床上，急性肠系膜缺血和坏死性小肠炎是两种常见的肠道急症，主要影响新生儿和老年人[3]，[4]，[5]。在新生儿中，特别是早产儿中，这些情况通常与肠道发育不成熟、免疫功能受损以及肠内营养管理困难有关[6]。在老年人中，常见的心血管疾病如心肌梗死、高血压和心房颤动会进一步导致肠系膜血流受阻，增加肠道缺血的风险[7]，[8]。这些患者常常出现并发症和非典型的临床表现，给早期识别和诊断带来了重大挑战。如果没有及时有效的手术干预，这些疾病的死亡率超过60%[9]，[10]，[11]。
手术切除仍然是治疗坏死肠道段的主要策略，其成功与否在很大程度上取决于对坏死肠道段范围的快速准确判断[12]。及时识别坏死段有助于在缺血坏死过程中进行干预，防止进一步的肠道损伤，从而减少切除范围和手术创伤。相反，过度切除会增加短肠综合征的风险，严重影响患者的长期生活质量。长期以来，外科医生主要依赖于术中的经验观察，如肠道颜色和蠕动[13]。然而，这些指标缺乏定量基础，难以准确及时地识别可能坏死的肠道段。为了实现术中的及时识别，已经报道了多种测量组织灌注和代谢指标的方法来帮助外科医生评估组织活力，例如激光散斑和吲哚菁绿荧光技术[14]，[15]，[16]，[17]，[18]。然而，这些方法只能提供血流和氧合的相对测量值，反映的是趋势而非绝对值。再加上患者间的显著差异以及定义可靠阈值的难度，这些局限性容易导致手术决策的错误。
随着人工智能的快速发展，集成图像-光谱分析已成为计算机辅助诊断小肠疾病的重点[19]，[20]。现有方法大致可以分为监督学习和无监督学习方法。张等人使用六种监督机器学习方法对小肠高光谱数据进行了训练，成功检测出坏死肠道段，整体准确率超过80%[21]。同样，查等人采用了一种监督光谱角度映射方法，利用便携式多光谱成像平台辅助外科医生进行肠道吻合手术[22]。舒普列佐夫等人将高光谱成像与XGBoost算法结合，基于光谱特征和血氧水平将正常、可逆和不可逆的坏死肠道段分类的准确率提高到95%[23]。尽管监督方法具有较高的分类准确率，但它们需要大量的高质量注释。这一限制使得它们在样本稀缺或异质性高的情况下应用受到限制，可能导致过拟合和泛化能力下降[24]，[25]，[26]，[27]。为了克服对标记病理数据的需求，人们探索了无监督方法[28]，[29]。阿克巴里等人提出了一种从腹部高光谱图像中识别坏死肠道段的无监督图像过滤方法[30]。彭等人采用了一种无监督的多变量曲线分辨率方法分析小肠在四个时间点（阻塞10分钟、30分钟、60分钟、90分钟）的高光谱数据，最终实现了在阻塞30分钟时对坏死肠道段的及时检测[31]。然而，早期坏死的病理改变通常很微小，难以直接捕捉到与正常肠道段的细微光谱差异。因此，尽管有多种分类器可用，但在复杂的组织形态中准确及时地识别可能坏死的肠道段仍然是一个重大挑战。
在这项研究中，我们主要提出了一种基于自编码器（AE）残差的无监督单类分类方法，以实现可能坏死肠道段的及时识别。具体来说，我们在易获取且均匀的正常小肠多光谱图像上训练了一个AE。该AE生成的残差用于敏感地捕捉偏离正常光谱分布的区域，从而放大可能坏死组织和正常组织之间的细微差异。基于这一特性，残差作为下游分类器的判别输入特征。为了评估其在不同阻塞时间下识别可能坏死肠道段的有效性，我们将其与三种经典的无监督单类分类算法结合使用进行异常检测。最终，所提出的方法不仅减轻了对稀缺坏死样本的依赖，还通过提取显著的残差特征增强了模型检测可能坏死组织的能力。
