Cancer Res︱季敏标/潘家骅团队合作实现前列腺癌穿刺活检的受激拉曼病理分级诊断
前列腺癌（prostate cancer, PCa）是全球第二大癌症，也是导致男性癌症相关死亡的第五大因素[1]。在过去几十年中，对于临床局限性PCa患者，局部治疗（focal therapy, FT）已成为一种新兴的选择。该治疗方式旨在消除靶向病变的同时，尽可能保留正常前列腺组织及前列腺周围关键的功能性解剖结构[2]。然而，许多泌尿科医生仍担心局灶治疗在PCa应用中的真实疗效。主要原因有两点：1.PCa大多为多灶病变，缺乏术中实时病理的引导容易导致肿瘤消融不完全[3]。2.PCa组织存在高度异质性，通常采用Gleason评分系统作组织病理分级评估[4]。但由于Gleason评分判定在不同病理医生之间存在一定的主观性，从而给评分准确性带来了挑战[5]。因此，开发一种可以从未经处理的新鲜组织中快速采集病理学图像，并以高准确率对PCa进行Gleason评分的智能系统，对于FT的实际应用至关重要。
2023年2月15日，复旦大学物理学系季敏标教授、上海交通大学医学院附属仁济医院潘家骅主任课题组合作在Cancer Research上发表了题为“Stimulated Raman Scattering Microscopy Enables Gleason Scoring of Prostate Core Needle Biopsy by a Convolutional Neural Network”的研究。该研究建立了卷积神经网络增强的受激拉曼散射显微平台，可以为前列腺穿刺活检组织提供快速、准确的Gleason肿瘤分级诊断。
FT是一种能够降低治疗相关副作用的新型前列腺癌治疗方法。精准高效提供术中穿刺活检组织的病理学信息对FT治疗十分关键。然而，传统前列腺活检诊断中，H&E染色虽然能够提供准确的组织形态学特征，但时效性低；同时，前列腺肿瘤组织根据不同的分化程度有着独特的Gleason评分标准，病理医生的主观判断容易产生分歧。针对以上两点问题，合作团队研究提出了卷积神经网络增强的人工智能受激拉曼散射显微系统。其中，受激拉曼散射(stimulated Raman scattering，SRS)显微技术是一种相对新型的化学成像技术，能够近乎实时的以亚微米空间分辨率对生物分子(如脂质和蛋白质)进行免标记特异性成像[6-7]。而卷积神经网络是一种高效的深度学习算法，在图像识别中应用广泛并且已经用于各类医学的智能化辅诊[8-9]。
在该研究中，研究者首先基于受激拉曼散射的脂质与蛋白双通道成像，对前列腺组织冰冻切片进行了快速无标记的组织形态学成像，并将采集的SRS图像与相邻切片的标准H&E图像展开对比，发现即使在细胞水平，二者也具有高度的一致性（图1）。之后，他们采集了新鲜组织样本的SRS图像，在病理医生的合作下，成功识别出不同Gleason分级对应的形态学诊断特征（图2A-I），说明SRS能够用于完成术中新鲜样本的快速数字化病理，提升图像数据获取的时效性。同时，他们还发现在前列腺癌的发展过程中，高级别的癌变组织中会存在更高含量的脂质（图2J），并且脂滴中的胆固醇含量有所增加，该现象与前人的研究结果一致[10]。在采集大量的图像数据后，团队请多位病理专家以共同评议的形式，对不同Gleason分级进行图像切割与分类，得到标准化数据集用以卷积神经网络的训练，力求使训练好的网络能够完成客观统一的Gleason分级评判。最后，借助该卷积神经网络增强的受激拉曼散射成像平台，研究者实现了对活检组织中不同级别的肿瘤实施可视化分区、基于各级肿瘤面积的定量计算，从而出具具有临床意义的Gleason分级评分诊断报告（图3）。
图1 来自前列腺组织的相邻冰冻切片的SRS（左）和H&E（右）图像。绿色：脂质；蓝色：蛋白质；红色：胶原蛋白。比例尺：25μm。
（图源：Ao JP, et al., Cancer Res, 2023）
图2 SRS揭示了新鲜前列腺组织的诊断特征。不同Gleason模式的关键组织学特征，包括: 正常/良性前列腺的(A)淀粉样小体和(B)管腔的双层细胞结构，(B)为(A)中黄色矩形的放大图像；G3的(C)小腺体、(D)大腺体和(E)分支导管结构；G4的(F)条索融合、(G)肾小球和(H)筛状结构； G5的(I)乳头状及筛状间隙内的中心坏死结构。(J) 不同Gleason模式下脂质含量的统计量化结果(*p < 0.05，***p < 0.001，ns：不显著(p > 0.05)，未配对双尾t检验)。绿色：脂质；蓝色：蛋白质；红色：胶原蛋白。比例尺：50μm。
（图源：Ao JP, et al., Cancer Res, 2023）
图3 新鲜FT穿刺活检样本的Gleason评分及肿瘤分区可视化。(A)新鲜FT穿刺活检样本的SRS图像和卷积神经网络绘制的肿瘤分区可视化图像。(B) 对组织中不同分级结构的面积定量结果。(C) 每个Gleason模式(G3-G5)在整个肿瘤区域中的占比。(D) 在11例病例中卷积神经网络与三位病例专家的诊断结果对比。比例尺：500μm。
（图源：Ao JP, et al., Cancer Res, 2023）
复旦大学物理学系博士生敖建鹏为论文第一作者，仁济医院邵晓光、复旦大学刘至杰为共同第一作者；季敏标教授，潘家骅教授为共同通讯作者。该工作得到了科技部重点研发专项、基金委面上项目、上海市卫生计生委智慧医疗专项和复旦大学医工结合项目等基金的支持。
[1] Sung, H., et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin 71, 209-249 (2021).
[2] Ahmed, H.U., et al. Focal therapy for localised unifocal and multifocal prostate cancer: a prospective development study. The Lancet Oncology 13, 622-632 (2012).
[3] Valerio, M., et al. New and Established Technology in Focal Ablation of the Prostate: A Systematic Review. Eur Urol 71, 17-34 (2017).
[4] Epstein, J.I., et al. The 2014 International Society of Urological Pathology (ISUP) Consensus Conference on Gleason Grading of Prostatic Carcinoma: Definition of Grading Patterns and Proposal for a New Grading System. Am J Surg Pathol 40, 244-252 (2016).
[5] Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study. The Lancet Oncology 21, 222-232 (2020).
[6] Freudiger, C.W., et al. Label-free biomedical imaging with high sensitivity by stimulated Raman scattering microscopy. Science 322, 1857-1861 (2008).
[7] Ji, M., et al. Rapid, label-free detection of brain tumors with stimulated Raman scattering microscopy. Sci Transl Med 5, 201ra119 (2013).
[8] Hollon, T.C., et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nat Med 26, 52-58 (2020).
[9] Liu, Z., et al. Instant diagnosis of gastroscopic biopsy via deep-learned single-shot femtosecond stimulated Raman histology. Nat Commun 13, 4050 (2022).
[10] Yue, S., et al. Cholesteryl ester accumulation induced by PTEN loss and PI3K/AKT activation underlies human prostate cancer aggressiveness. Cell Metab 19, 393-406 (2014).