快速准确的术中诊断对肿瘤手术至关重要，可以为手术决策提供精准指导。然而，传统的基于H&E组织学(如冰冻切片)的术中评估需要耗费大量时间、资源和人力，并且会消耗大量标本。D-FFOCT是一种高分辨率光学成像技术，能够快速生成虚拟组织学。在最近发表在《科学通报》上的一项研究中，由王姝教授(北京大学人民医院乳腺中心)领导的研究人员介绍了一种术中诊断工作流程。该方法采用深度学习算法根据D-FFOCT图像对肿瘤进行分类，从而实现快速准确的自动化诊断。

在一项前瞻性队列研究中，共纳入 224 个乳腺样本，并使用 D-FFOCT 进行成像。D-FFOCT 图像的获取是非破坏性的，不需要任何组织准备或染色程序。D-FFOCT 幻灯片被裁剪成块。所有幻灯片根据收集时间顺序分为训练集(幻灯片：n=182;块：n=10,357)和外部测试集(幻灯片：n=42;块：n=3140)。使用五倍交叉验证法训练和微调模型。在对块预测结果进行特征提取后，使用机器学习模型将块级结果汇总到幻灯片级。

在测试集中，该模型在斑块级别的诊断性能对于确定乳腺组织性质相对较好，AUC为0.926(95%CI：0.907–0.943)。在载玻片级别，测试集的总体诊断准确率为9%，灵敏度为96.88%，特异性为100%。对于乳腺癌的不同分子亚型和组织学肿瘤类型，准确率无统计学差异。可视化热图表明，深度学习模型学习了D-FFOCT图像中代谢活跃细胞簇的相关特征，这与专家经验一致。这种基于深度学习的图像分析可能转移到各种其他肿瘤类型，因为模型中检测到的特征似乎是肿瘤学诊断中的保守特征。在边缘模拟实验中，诊断过程大约需要3分钟，深度学习模型的准确率高达95.24%。

基于上述结果，本研究提出了一种将 D-FFOCT 与深度学习模型相结合的术中癌症诊断工作流程。在模拟术中边缘诊断中，该工作流程的总处理时间约为 3 分钟，与传统的术中组织学相比，诊断时间缩短了 10 倍。此外，事实证明它具有显著的劳动力成本效益。光学成像和分析过程中没有发生组织破坏。总之，该工作流程提供了一种透明的方法来提供快速准确的术中诊断，并可能成为指导术中决策的潜在工具。