研究人员开发了一种由AI驱动的模型，该模型可以在10秒内确定手术中是否还有任何可以切除的癌性脑瘤残留部分，一项发表在《自然》杂志上的研究表明。这项技术称为FastGlioma，在识别肿瘤残留部分方面明显优于传统方法，这是由密歇根大学和加州大学旧金山分校领导的研究团队得出的结论。
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，他们很少能够完全移除整个肿块。神经外科团队在手术过程中会采用不同的方法来定位残留的肿瘤。他们可能会进行MRI成像，但这需要术中设备，而这些设备并非所有地方都有。外科医生还可能使用荧光成像剂来识别肿瘤组织，但这种方法并不适用于所有类型的肿瘤。
在这项国际研究中，神经外科团队分析了220名接受低级别或高级别弥漫性胶质瘤手术的患者的未经处理的新鲜样本。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的残留肿瘤——相比之下，传统方法的漏诊率为近25%。为了评估脑瘤的剩余部分，FastGlioma结合了显微光学成像和一种称为基础模型的人工智能。
这些是如GPT-4和DALL·E 3等经过大规模、多样化数据集训练的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、回复电子邮件和根据文本描述生成图像。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对视觉基础模型进行了预训练。
参考文献：Hollon, T., Kondepudi, A., Pekmezci, M., Hou, X., Scotford, K., Jiang, C., ... & Hervey-Jumper, S. (2024). Visual foundation models for fast, label-free detection of diffuse glioma infiltration.
(全文结束)
