2.組織切片近紅外近紅外漫反射光譜的測量
[0032] 儀器；美國化ermo公司的AntarisII傅里葉變換近紅外光譜儀，采樣裝置為積分 球漫反射附件，信號采集軟件為Result3.0,數(shù)據(jù)處理軟件為TQAnalyst8.0。
[0033] 光譜測量條件：分辨率為8cm1，掃描次數(shù)為64,光譜掃描范圍為3799-lOOOlcm1， 每次掃描前均采用相同參數(shù)掃描并扣除背景。
[0034] 光譜采集方法；將制備的組織切片置于積分球檢測窗上，使其覆蓋光斑，操作中避 免切片外部的污染；W選定的光譜采集參數(shù)測定大腸組織切片的NIR-DRS，每片大腸組織 切片在3個不同位置各采集一次光譜，共測量得到66張光譜。
[0035] 測得11片大腸正常組織和大腸癌組織的原始傅里葉變換近紅外漫反射光譜如圖 1所示。3.判別分析法（DA)鑒別大腸組織切片
[0036] 將22片大腸組織切片共66張光譜分為校正集和預(yù)測集。校正集切片16片，48張 光譜，其中大腸癌組織8片，正常組織8片；預(yù)測集切片6片，18其中大腸癌組織3片，正常 組織3片。
[0037] 使用TQAnalyst8. 0軟件，采用主成分分析法（PCA)對光譜數(shù)據(jù)進行降維，通過 模型性能指數(shù)和正判率確定建模的最佳主成分個數(shù)，建立DA校正模型用于識別人體大腸 組織切片是否癌變。建模所用光譜范圍由TQAnalyst8. 0軟件自動篩選為9877-3922cm1， 所建模型性能由W下參數(shù)來評定：性能指數(shù)（PI)、校正集正判率和預(yù)測集正判率。
[0038] 經(jīng)過篩選得到的最優(yōu)DA判別模型（模型9)的光譜前處理方法為MSC和SGS，經(jīng) PCA降維后選取的主成分?jǐn)?shù)（PCs)為16,此時光譜累積貢獻率為99. 88% ;模型的性能指數(shù) 為85. 3%，校正集正判率為97. 92%，預(yù)測集正判率為100%。光譜前處理方法篩選情況見 表1。最優(yōu)DA判別模型的判別結(jié)果如圖2所示，表明所建模型能較準(zhǔn)確有效地識別人體大 腸癌組織。
[0039] 表1不同光譜前處理方法時DA判別模型的各項性能指標(biāo)
[0040]
[00川 4.結(jié)論
[0042] 傅里葉變換近紅外光譜法結(jié)合化學(xué)計量學(xué)技術(shù)所建立的模型能夠較為準(zhǔn)確地識 別人體大腸癌組織，且方法客觀、準(zhǔn)確和快速，為及時制定大腸癌的正確治療方案迅速提供 可靠的依據(jù)。
【主權(quán)項】
1. 人體大腸癌組織近紅外漫反射光譜高特異性快速識別方法，其特征在于利用近紅外 分析技術(shù)測定大腸組織切片的近紅外光譜，應(yīng)用化學(xué)計量學(xué)技術(shù)對所測光譜進行處理，并 依據(jù)處理后得到的光譜數(shù)據(jù)和所測切片的組織病理學(xué)的分析結(jié)果為參考值來建立大腸癌 組織判別模型，應(yīng)用所建模型實現(xiàn)對大腸癌組織的靈敏、快速地識別。具體包括以下步驟： (1) 制備大腸組織切片；并記錄切片的組織病理學(xué)分析結(jié)果； (2) 篩選最優(yōu)的光譜測量參數(shù)值，使用傅立葉變換近紅外光譜儀采集組織切片的近紅 外漫反射光譜（NIR-DRS); (3) 對原始NIR-DRS進行預(yù)處理； (4) 截取最優(yōu)NIR-DRS區(qū)域，對所選光譜數(shù)據(jù)降維； (5) 選擇最佳的建模光譜范圍和主成分?jǐn)?shù)建立大腸癌組織切的判別模型，并對模型性 能進行評價； (6) 采集待測組織切片的NIR-DRS; (7) 對待測組織切片的NIR-DRS進行預(yù)處理； (8) 應(yīng)用所建的判別模型，識別待測組織切片類型。2. 如權(quán)利要求1所述的方法，其特征在于：疾病為大腸癌。3. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（1)中大腸組織切片為石蠟組織 切片。4. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（2)中應(yīng)用傅立葉變換近紅外光 譜儀采集病理組織切片的NIR-DRS，采集裝置為積分球漫反射附件，采集參數(shù)為掃描次數(shù)可 為32、64或128,分辨率可為2cm\4crn\8crn1或16cm\光譜掃描范圍1001~3799cm\ 在3個不同的地方各采集一次光譜。組織切片NIR-DRS的測定方法為：將制備的組織切片 置于積分球檢測窗上，并使其覆蓋光斑，操作中避免切片外部的污染；以選定的光譜采集參 數(shù)測定大腸組織切片的NIR-DRS，每片切片在3個不同位置各采集一次光譜。5. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（3)中對光譜和數(shù)據(jù)進行預(yù)處理 的方法為以下各種化學(xué)計量學(xué)技術(shù)的組合，多元散射校正（MSC)或標(biāo)準(zhǔn)正態(tài)變換（SNV)、一 階或二階導(dǎo)數(shù)、Savitzky-Golay濾波器或Norris導(dǎo)數(shù)濾波器以及均值中心化（MC)等。6. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（4)中最優(yōu)的波數(shù)范圍可由建模 軟件自動篩選，光譜數(shù)據(jù)降維方法為主成分分析法（PCA)。7. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（5)中建立的判別模型為用于 識別大腸組織是否為癌變組織的定性模型；所用的建模方法包括但不限于：判別分析法 (DA);通過模型性能指數(shù)（PI)和正判率確定建模的最佳主成分個數(shù)；所述步驟（5)中評價 所建判別模型性能的參數(shù)可為但不限于PI、校正集正判率和預(yù)測集正判率。8. 如權(quán)利要求1所述的方法，其特征在于：所述步驟(6)中待測組織切片NIR-DRS的 光譜采集參數(shù)、光譜測量方法與校正模型中已知組織切片一致。9. 如權(quán)利要求1所述的方法，其特征在于：所述步驟（7)中待測組織切片的光譜預(yù)處 理方法、光譜范圍與校正模型中已知組織切片一致；建模過程所用的軟件可為但不限于TQ Analyst軟件。
【專利摘要】本發(fā)明提供一種高特異性的人體大腸癌組織近紅外漫反射光譜快速識別方法。方法步驟包括：1.制備大腸癌組織與正常組織的切片；2.篩選最優(yōu)的光譜測量參數(shù)值，使用傅立葉變換近紅外光譜儀采集組織切片的近紅外漫反射光譜；3.采用適宜的化學(xué)計量學(xué)技術(shù)提取光譜中的有用信息，以組織病理學(xué)的分析結(jié)果為參考值，建立大腸癌組織判別模型；4.相同條件下測定待識別組織切片的近紅外漫反射光譜，用所建癌組織判別模型進行識別。本發(fā)明實現(xiàn)了對大腸癌組織的客觀、準(zhǔn)確和快速識別，為及時制定大腸癌的正確治療方案迅速提供可靠的依據(jù)。
【IPC分類】G01N21/359, G01N21/3563
【公開號】CN105277506
【申請?zhí)枴緾N201410353552
【發(fā)明人】范琦, 曹麗亞, 王婭蘭, 陳楊, 董艷虹
【申請人】重慶醫(yī)科大學(xué)
【公開日】2016年1月27日
【申請日】2014年7月18日