美国伊利诺伊大学的研究人员通过在标准光学显微镜中增加红外功能，将红外测量结果与高分辨率光学图像和机器学习算法结合，创建了与传统病理技术密切相关的数字活检，并且其性能也超过了最新的红外显微镜。该研究成果发表在《PNAS》上。

　　组织病理学的标准是添加染料或染色剂，以便病理学家在显微镜下看到细胞的形状和模式。但是，将肿瘤与健康组织区分开及确定肿瘤的边界都是很困难的，而且在许多情况下，诊断是主观的。像红外显微镜这样的技术可以测量组织的分子组成，提供定量的测量来区分细胞类型。然而由于其价格昂贵，且样品需要特殊的准备和处理，使得它们在绝大多数的临床和研究环境中不切实际。

　　Rohit Bhargava教授领导的小组通过在光学相机中添加红外激光器和专用显微镜镜头(称为干涉物镜)，开发出了混合显微镜。这种红外-光学混合技术可通过实验室中普遍使用的光学显微镜测量红外数据和高分辨率光学图像。

　　将这两种技术结合起来可以利用两者的优势，它不仅具有光学显微镜的高分辨率、大视野和可及性，红外数据还可以进行计算分析，而无需添加任何会损坏组织的染料或染色剂。软件可以重现不同的染色剂，甚至重叠它们以创建出更完整的、关于组织中成分的全数字图像。研究人员通过对健康和癌变的乳腺组织样本进行成像，并将混合显微镜的“染料”结果与传统染色技术的结果进行比较，从而对显微镜进行了验证。

　　此外，研究人员发现，他们的红外-光学混合显微镜在几个方面都优于最先进的红外显微镜：覆盖率提高了10倍、一致性更高、分辨率提高了4倍，从而允许在更短的时间内，以前所未有的细节对更大的样品进行红外成像。在病理诊断方面，这可以帮助加快等待结果的速度，降低试剂和人员对组织染色的成本，并为癌症病理学提供“全数字”解决方案。

　　研究人员计划继续完善用于分析混合图像的计算工具。他们正在努力优化可测量多个红外波长的机器学习程序，创建可轻松区分多种细胞类型的图像，并将这些数据与详细的光学图像整合在一起，以精确地映射样本中的癌症。他们还计划探索混合显微镜成像的进一步应用，如法医学、高分子科学和其他生物医学应用。

　　文章摘自网络侵删