arXiv cs.AI· Siri Willems, Ishika Jain, Jens De Winne, Siri Luthman, Hamed Zivari Adab, Roeland Vandebriel, Anna Alperovich, Xiaohan Zhang, Ben Stoffelen, Tom De Schepper, Lien Solie, Steven De Vleeschouwer·· 3 天前AI 评分34
AI 增强高光谱成像用于低级别胶质瘤术中检测的临床研究
AI-Enhanced Hyperspectral Imaging for Intraoperative Detection of Low-Grade Glioma: A Clinical Study
AI 导读
一项临床研究用 AI 增强高光谱成像（HSI）在术中检测低级别胶质瘤，3D CNN 结合光谱与空间特征取得最高中位 ROC-AUC 74.5%，高于纯光谱 XGBoost 的 67.9% 和基于 RGB 的 64.0%。研究在匹配组织位置和相同患者级数据划分下对比 HSI 与 RGB 分类，发现肿瘤区域反射率持续偏低，可能与血红蛋白浓度和氧合差异有关。
正文 · AI 翻译
作者：Siri Willems、Ishika Jain、Jens De Winne、Siri Luthman、Hamed Zivari Adab、Roeland Vandebriel、Anna Alperovich、Xiaohan Zhang、Ben Stoffelen、Tom De Schepper、Lien Solie、Steven De Vleeschouwer
摘要：当前图像引导的神经导航技术，如术中 MRI 和超声，受限于高成本、灵敏度有限和操作复杂。显然需要更高效的系统来增强术中肿瘤检测，并改善内在脑肿瘤切除的患者预后。既往术中脑 HSI 研究主要关注高级别胶质瘤、胶质母细胞瘤或混合级别队列，而本临床研究则专门聚焦于低级别胶质瘤（LGG）。在手术显微镜白光条件下，LGG 与正常脑组织极为相似。本研究表征了健康组织与肿瘤组织之间的光谱差异，并在匹配的组织位置和相同的患者级数据划分下，提供了基于 HSI 和 RGB 分类的配对比较。肿瘤区域表现出持续较低的反射率，这可能与血红蛋白浓度和氧合差异有关。研究评估了一系列分类模型。整合光谱和空间特征的 3D CNN 取得了最高的中位 ROC-AUC，为 74.5%，而仅使用光谱的 XGBoost 模型为 67.9%，基于 RGB 的模型为 64.0%。这些结果支持进一步研究 HSI 用于低级别胶质瘤分类，并量化了其在该队列中相对于传统 RGB 成像的性能。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17944 [cs.CV] |
| （或 arXiv:2610.17944v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17944 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Siri Willems [查看电子邮件]
[v1]
2026年10月13日星期二 08:27:54 UTC（8,610 KB）
来源：arXiv cs.AI · arxiv.org