人工智能辅助的傅里叶变换红外光谱技术在福尔马林固定乳腺癌组织中用于激素受体亚型分类

时间：2026年3月27日

来源：Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy

编辑推荐：

AI辅助ATR-FTIR光谱技术可高效分类乳腺癌样本的ER/PR亚型，AUC分别达95.93%和97.46%，CNN模型表现最优，为资源有限地区提供低成本替代方案。

菲律宾马尼拉圣托马斯大学理学院生物科学系

摘要

背景

确定雌激素受体（ER）和孕酮受体（PR）的状态对于乳腺癌亚型分类和指导内分泌治疗至关重要。尽管免疫组化（IHC）仍是诊断的金标准，但它成本高昂、耗时且容易受到观察者差异的影响。这些限制在资源匮乏的环境中尤为明显，因为这些地方难以获得标准化的受体检测服务。

目的

本研究评估了一种基于衰减全反射-傅里叶变换红外（ATR-FTIR）光谱技术与人工智能（AI）相结合的无标记方法，用于对福尔马林固定、石蜡包埋（FFPE）的乳腺癌组织中的ER和PR状态进行分类。

方法

共分析了72个样本（33个ER阳性，39个ER阴性）进行ER分类，以及74个样本（20个PR阳性，54个PR阴性）进行PR分类，分别生成了2328个和1804个光谱。使用基于网格的映射策略，从经病理学家标注的肿瘤区域获取光谱（阳性区域显示明确的核染色，阴性区域则没有）。预处理包括基线校正（橡皮筋算法）和z分数标准化。训练并优化了七种AI模型：逻辑回归、支持向量机（SVM）、决策树、XGBoost、前馈神经网络（FNN）、循环神经网络（RNN）和卷积神经网络（CNN），并采用遗传算法进行优化。通过重复交叉验证评估了模型的性能，指标包括AUC-ROC、准确性、敏感性、特异性、PPV、NPV和F1分数。

结果

CNN在ER（AUC = 95.93% ± 6.64%，准确性 = 90.06% ± 4.85%）和PR（AUC = 97.46% ± 0.64%，准确性 = 91.51% ± 3.28%）的分类性能上表现最佳。FNN、RNN和XGBoost也表现出较强的性能，而SVM的准确性和F1分数最低。在对应于蛋白质、脂质、核酸和磷酸化生物分子的生化谱带中，观察到受体阳性和阴性肿瘤区域之间存在统计学上的显著差异。

结论

AI增强的ATR-FTIR光谱技术在FFPE组织中的激素受体亚型分类方面显示出很高的诊断潜力。作为一种无标记、可扩展的平台，它为IHC提供了一种有前景的替代方案，尤其是在资源有限的环境中。这些发现证明了该方法的技术可行性，并需要在多中心临床队列中进一步验证。

引言

乳腺癌是全球女性中最常见的癌症，也是癌症相关死亡的主要原因[42]。其临床管理中的一个关键挑战是分子异质性，亚型由激素受体状态决定，特别是雌激素受体（ER）、孕酮受体（PR）和人表皮生长因子受体2（HER2）。准确的分子亚型分类，尤其是ER和PR的分类，对于治疗计划和预后至关重要[21][32][35]。ER和PR的状态指导内分泌治疗决策，PR的表达进一步细化了ER阳性病例的临床风险[39][45]。免疫组化（IHC）仍是诊断的金标准，但它成本高昂、耗时且严重依赖专门的基础设施、试剂和专家解读。这些障碍在低收入和中等收入国家（LMICs）尤为突出，由于延迟、变异性以及病理服务获取受限，常常导致诊断不足和护理效果不佳[7][24][46]。即使IHC可用，观察者之间的差异和染色协议的差异也会影响重复性，进一步加剧了高资源环境和低资源环境之间的诊断不平等。尽管IHC具有临床实用性，但它带来了许多实际限制，这些限制在病理学文献中有详细描述。标准的IHC需要多个顺序的预分析和分析步骤（例如，受控固定和处理、切片、抗原提取、试剂/抗体制备、孵育和洗涤循环、检测/复染以及解读审查），每个步骤都会增加手工工作量，并引入潜在的故障点，需要通过协议优化和故障排除来管理[16]。在资源有限的乳腺癌项目中，这些工作流程要求转化为可测量的成本和人员时间：在卢旺达的一项基于时间的成本分析中，IHC进行的乳腺癌生物标志物评估占据了诊断成本的很大一部分，并且每个病例都需要专门的病理学家/技术人员时间[10]。此外，变异性不仅可能来自解读评分，还可能来自预分析处理和实验室程序的差异，从而导致实验室间和观察者间的激素受体评估结果差异[8]。最后，资源限制通常与培训有素的人员短缺、质量保证的实验室基础设施不足以及试剂/消耗品的可靠供应链缺乏有关，这可能会延迟或限制基于IHC的受体分析[11][29]。为了解决这些问题，我们评估了一种基于傅里叶变换红外（FTIR）光谱技术（以其衰减全反射（ATR）形式）和人工智能（AI）的替代平台。FTIR是一种无标记、非破坏性的技术，通过振动特征检测组织的生化组成[5][18][38]。当与深度学习（特别是卷积神经网络（CNNs）结合使用时，FTIR能够在不需要染色或抗体的情况下实现高精度的组织分类，并能检测与疾病表型相关的细微光谱差异，包括激素受体状态[22][37]。该技术需要最少的样本准备，并且适用于福尔马林固定、石蜡包埋（FFPE）的组织，使其在传统IHC难以实施的环境中具有吸引力。本研究展示了AI增强型FTIR在乳腺癌激素受体亚型分类中的可行性，使用了常规的FFPE手术组织。利用从IHC验证的肿瘤区域收集的光谱数据，我们训练了机器学习和深度学习模型来区分激素受体阳性和阴性样本。通过提供快速、可扩展且低成本的诊断结果，本研究旨在评估这种方法作为一种可靠、易获取且成本效益高的工具，用于激素受体亚型分类，特别是在传统病理基础设施不足或负担过重的资源有限环境中。

伦理批准

本研究获得了菲律宾马尼拉圣托马斯大学药学院研究伦理委员会的批准（参考编号：FOPREC-2324-058）。所有程序均符合《赫尔辛基宣言》和2012年菲律宾数据隐私法（RA 10173），并采取了严格措施以确保数据保密。

研究样本和病理学审查

2020年至2024年间，从两个诊断中心（Bulacan Medical Center, Malolos）回顾性地获取了90份FFPE乳腺癌活检标本。

恶性及激素受体状态的验证最初为这项研究准备了90份福尔马林固定、石蜡包埋（FFPE）的乳腺癌活检标本。所有标本均进行了H&E染色以确认恶性。其中18个样本因组织丢失、肿瘤丰富区域保存不佳或IHC验证的肿瘤区域与相邻FTIR切片之间的空间对齐不良而被排除在ER分析之外；16个样本因类似原因被排除在PR分析之外。

讨论

虽然之前的研究已经探讨了将ATR-FTIR光谱技术与人工智能（AI）结合用于癌症诊断，但本研究是首批应用深度学习驱动的无标记方法进行激素受体亚型分类的研究之一，特别是针对福尔马林固定、石蜡包埋（FFPE）乳腺癌组织中的雌激素受体（ER）和孕酮受体（PR）的分类。通过结合严格的光谱预处理、七种AI模型的系统基准测试以及重复实验，本研究实现了这一目标。