研究人员开发了一种由AI驱动的模型，该模型可以在手术中10秒内确定是否有任何可以切除的癌性脑瘤部分仍然存在，一项发表在《自然》杂志上的研究建议。这项技术名为FastGlioma，据由密歇根大学和加州大学旧金山分校领导的研究团队称，其在识别肿瘤残余方面远胜传统方法。
“FastGlioma是一种基于人工智能的诊断系统，有可能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，”资深作者、密歇根大学健康中心神经外科医生兼密歇根大学医学院神经外科助理教授Todd Hollon博士表示。
这项技术比当前标准的肿瘤检测方法更快、更准确，并且可以推广到其他儿童和成人脑瘤诊断中。它可以作为指导脑瘤手术的基础模型。
当神经外科医生从患者的大脑中移除一个威胁生命的肿瘤时，他们很少能够移除整个肿块。剩余的部分被称为残余肿瘤。通常，肿瘤在手术过程中被遗漏，因为外科医生无法区分切除肿块后的空腔内的健康脑组织和残余肿瘤。残余肿瘤可能看起来像健康的脑组织，这在手术中仍然是一个主要挑战。
神经外科团队在手术过程中采用不同的方法来定位残余肿瘤。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这些设备。外科医生还可能使用荧光成像剂来识别肿瘤组织，但这种方法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。
“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，从而告知外科医生在手术过程中是否需要进一步切除，”Todd Hollon博士说。
在这项国际研究中，神经外科团队分析了从220名接受低级别或高级别弥漫性胶质瘤手术的患者处采集的新鲜、未处理的样本。FastGlioma检测并计算剩余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引导的手术的对比中，AI技术仅在3.8%的情况下错过了高风险的残余肿瘤，而传统方法的错过率为近25%。
“该模型通过使用AI快速识别肿瘤浸润，实现了在微观分辨率下的创新突破，大大减少了在胶质瘤切除区域遗漏残余肿瘤的风险，”共同资深作者、加州大学旧金山分校神经外科教授Shawn Hervey-Jumper博士表示，他也是密歇根大学健康中心的前神经外科住院医师。“FastGlioma的发展可以减少对放射成像、对比增强或荧光标记的依赖，以实现最大范围的肿瘤切除。”
为了评估脑瘤剩余部分，FastGlioma结合了显微光学成像和一种称为基础模型的人工智能。这些是如GPT-4和DALL·E 3等训练在大量多样化数据集上的AI模型，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本描述的图像。
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场预训练了视觉基础模型。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，这是一种基于AI的诊断筛查系统，可以在不到90秒的时间内检测到脑瘤的基因突变。
“FastGlioma可以在不依赖耗时的组织学程序和医学AI中稀缺的大规模标注数据集的情况下检测残余肿瘤组织，”合著者、密歇根大学计算机科学与工程教授Honglak Lee博士表示。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%，而快速模式略低，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，从而告知外科医生在手术过程中是否需要进一步切除，”Hollon说。
在过去20年中，神经外科手术后残余肿瘤的发生率并未改善。不仅残余肿瘤导致患者生活质量下降和死亡时间提前，还增加了预计到2030年全球每年需要4500万例手术的医疗系统的负担。全球癌症倡议建议在癌症手术中引入新技术，包括先进的成像方法和AI。2015年，《柳叶刀·肿瘤学》委员会关于全球癌症手术的报告指出，“解决癌症手术中手术边缘问题的经济有效的方法为新型技术提供了强有力的驱动力。”
FastGlioma不仅是处理胶质瘤手术的神经外科团队的可访问且负担得起的工具，而且研究人员表示，它还可以准确检测几种非胶质瘤肿瘤诊断的残余肿瘤，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，”合著者、密歇根大学健康中心神经外科系主任Aditya S. Pandey博士表示。“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、乳腺癌和头颈癌。”
(全文结束)
