A ：随机森林（RF）分类器结构和颜色代码的示意图。第一行：第一行RF区分健康和病理组织。第二行：第二层RF（中间行）将病理区域细分为炎症浸润物、淋巴滤泡和肿瘤区域，在第三层RF（中间行）中用于确定肿瘤类型。右侧：基于Quantum级联激光的全薄片肺腺癌组织的红外成像。 B ：第一个RF分类器结果的指数彩色图像，它识别病理区域。 C ：使用第二层RF分类器对肿瘤区域进行细分，以确定肿瘤类型。 D ：通过第三层RF分类器对肿瘤区域进行分析。 E ：苏木精和Eosin（H & E）-染色的薄层腺癌组织的图像。肿瘤病变可以识别，因为紫色苏木精染色和E - M（C）染色的区域与B - M（B - M）一致。

肺癌分为不同类型，如小细胞肺癌、腺癌和鳞状细胞癌。许多罕见的肿瘤类型和亚型也存在。这种多样性妨碍了日常临床实践中可靠的快速诊断方法。除了组织学类型外，肿瘤样本还需要在DNA水平上全面检查某些变化。科隆大学医院普通病理解剖学研究所所长Reinhard B ü tner教授说： "检测其中一种突变是影响预后和进一步治疗决定的重要关键信息。 "

肺癌患者明显受益于驱动突变之前的特征：例如，表皮生长因子（EGFR）基因中激活突变的肿瘤通常对酪氨酸激酶抑制物反应良好，而非EGFR突变的肿瘤或其他突变（如KRAS）的肿瘤对这种药物完全没有反应。肺癌的鉴别诊断以前是通过组织样本的免疫组化染色和随后的广泛基因分析来确定突变。

快速可靠的测量技术

Klaus Gerwert领导的小组在以前的研究中已经展示了红外成像的潜力，即公共关系成像作为一种诊断工具对组织进行分类，称为无标签数字病理学。该程序在人工智能（AI）的帮助下，识别没有事先染色或其他标记和功能的癌变组织。与日常临床实践中用来确定肿瘤形状和肿瘤组织突变的方法（有时可能需要几天）相比，新程序只需要大约半个小时。在这30分钟内，不仅可以确定组织样本是否包含肿瘤细胞，还可以确定它是什么类型的肿瘤，以及它是否包含某种突变。

红外光谱学使基因突变清晰可见

Bochum的研究人员能够在他们工作中从200多名肺癌患者的样本中验证这个过程。在识别突变时，他们专注于迄今为止最常见的肺癌腺癌，它占肿瘤的50%以上。与费力的基因分析相比，它最常见的基因突变的敏感性和特异性可以确定为95% 。 PRODI的Nina Goertzen解释说： "我们首次能够识别光谱标记，以便在空间上解决肺癌的各种分子条件之间的区别。 "单一红外光谱测量提供了关于样本的信息，否则需要几个耗时的程序。

迈向个性化医疗的又一步

这些结果再次证实了无标签数字病理学在临床使用中的潜力。 公共关系成像项目经理弗雷德里克·格罗斯鲁什坎普博士说： "为了进一步提高可靠性，促进将该方法作为一种新的诊断工具的翻译，需要进行适应临床需要和日常临床实践中外部测试的更多患者数量的研究。为了将公共关系成像转化为日常临床实践，缩短测量时间，确保测量仪器的简单可靠操作，并对临床和患者都重要和有益的问题提供答案至关重要。 "