研究人员开发了一种基于AI的模型，该模型可以在手术中确定是否还有可以切除的脑癌肿瘤部分，一项发表在《自然》杂志上的研究指出。根据由密歇根大学和加州大学旧金山分校领导的研究团队，这项技术——称为FastGlioma，在识别肿瘤剩余部分方面远胜传统方法。
“FastGlioma是一种基于人工智能的诊断系统，有潜力通过立即改善弥漫性胶质瘤患者的综合管理来改变神经外科领域，”密歇根大学健康中心的神经外科医生、密歇根大学医学院神经外科助理教授Todd Hollon博士说。“这项技术比当前标准的肿瘤检测方法更快、更准确，可以推广到其他儿科和成人脑肿瘤诊断中。它可以作为指导脑肿瘤手术的基础模型。”
当神经外科医生从患者的大脑中移除威胁生命的肿瘤时，他们很少能移除整个肿块。剩余的部分被称为残留肿瘤。通常情况下，肿瘤在手术中被遗漏，因为外科医生无法区分切除腔内的健康脑组织和残留肿瘤。残留肿瘤模仿健康脑组织的能力仍然是手术中的一个主要挑战。
神经外科团队在手术过程中采用不同的方法来定位残留肿瘤。他们可能会进行MRI成像，但这需要术中设备，并不是所有地方都有。外科医生还可能使用荧光成像剂来识别肿瘤组织，但这并不适用于所有类型的肿瘤。这些限制阻碍了它们的广泛应用。
在这项国际研究中，神经外科团队分析了来自220名低级别或高级别弥漫性胶质瘤手术患者的未处理新鲜样本。FastGlioma检测并计算残留肿瘤的平均准确率约为92%。在FastGlioma预测引导的手术与图像和荧光引导方法的对比中，AI技术仅3.8%的时间错过了高风险残留肿瘤，而传统方法的错过率为近25%。
“这一模型通过使用AI在微观分辨率下快速识别肿瘤浸润，创新地脱离了现有的手术技术，大大降低了在胶质瘤切除区域遗漏残留肿瘤的风险，”加州大学旧金山分校神经外科教授、前密歇根大学健康中心神经外科住院医师Shawn Hervey-Jumper博士说。“FastGlioma的发展可以减少对放射影像、对比增强或荧光标记的依赖，以实现最大限度的肿瘤切除。”
工作原理
为了评估脑肿瘤的剩余部分，FastGlioma结合了显微光学成像和一种称为基础模型的人工智能。这些是经过大规模、多样化数据集训练的AI模型，如GPT-4和DALL·E 3，可以适应广泛的任务。经过大规模训练后，基础模型可以分类图像、充当聊天机器人、回复电子邮件和生成文字描述的图像。
为了构建FastGlioma，研究人员使用超过11,000个手术标本和400万个独特的显微视野预训练视觉基础模型。肿瘤标本通过受激拉曼组织学成像，这是一种在密歇根大学开发的快速、高分辨率光学成像方法。同样的技术用于训练DeepGlioma，这是一个基于AI的诊断筛查系统，可以在不到90秒内检测到脑肿瘤的基因突变。
“FastGlioma可以在不依赖耗时的组织学程序和稀缺的大型标注数据集的情况下检测残留肿瘤组织，”密歇根大学计算机科学与工程教授Honglak Lee博士说。全分辨率图像使用受激拉曼组织学成像大约需要100秒；“快速模式”低分辨率图像只需10秒。研究人员发现，全分辨率模型的准确率高达92%，快速模式略低，约为90%。
“这意味着我们可以在几秒钟内以极高的准确性检测到肿瘤浸润，从而告知外科医生是否需要在手术中进行更多的切除，”Hollon说。
未来癌症中的AI
在过去的20年里，神经外科手术后残留肿瘤的比例并未得到改善。不仅残留肿瘤导致患者生活质量下降和更早死亡，还增加了全球医疗系统的负担，预计到2030年每年需要4500万次手术。全球癌症倡议建议将包括先进成像技术和AI在内的新技术纳入癌症手术。
2015年，《柳叶刀肿瘤学》委员会关于全球癌症手术的报告指出，“解决癌症手术边缘问题的成本效益方法为新型技术提供了强有力的推动。”FastGlioma不仅是治疗胶质瘤的神经外科团队可及且经济实惠的工具，研究人员表示，它还可以准确检测几种非胶质瘤肿瘤诊断中的残留肿瘤，包括髓母细胞瘤、室管膜瘤和脑膜瘤。
“这些结果展示了FastGlioma等视觉基础模型在医学AI应用中的优势，以及在无需大量模型重新训练或微调的情况下推广到其他人类癌症的潜力，”密歇根大学健康中心神经外科系主任Aditya S. Pandey博士说。“在未来的研究中，我们将专注于将FastGlioma工作流程应用于其他癌症，包括肺癌、前列腺癌、乳腺癌和头颈部癌症。”
更多信息：
用于快速、无标签检测胶质瘤浸润的基础模型，《自然》（2024）。DOI: 10.1038/s41586-024-08169-3. www.nature.com/articles/s41586-024-08169-3
期刊信息：
《自然》
来源：
密歇根大学
引用：
AI模型可在10秒内检测手术中常被遗漏的脑癌肿瘤（2024年11月13日），2024年11月13日检索自
(全文结束)
