密歇根大学健康神经外科团队正在进行一项手术。密歇根大学的研究人员开发了一种利用人工智能识别残留脑肿瘤的方法，以便进行切除。[图片来源：Chris Hedly, 密歇根医学]
研究人员表示，他们开发了一种基于人工智能的模型，可以精确定位剩余的可切除脑肿瘤部分。他们的研究发表在《自然》杂志上，称该模型可以在10秒内判断是否有剩余的肿瘤部分可以切除。他们将这项技术称为FastGlioma。
据来自密歇根大学和加州大学旧金山分校（UCSF）的研究人员介绍，FastGlioma在识别肿瘤残留方面明显优于传统方法。
“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，”资深作者Todd Hollon博士说，他是密歇根大学健康神经外科医生兼密歇根大学医学院神经外科助理教授。“该技术比当前的标准肿瘤检测方法更快、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。”
目前，用于切除残留肿瘤的方法包括MRI成像或荧光成像。然而，这些方法受到可用性和适用性的限制。FastGlioma结合了显微光学成像和训练有素的人工智能基础模型。这些模型可以分类图像、充当聊天机器人、回复电子邮件和从文本描述生成图像。为了构建该模型，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进行了预训练。
研究人员通过刺激拉曼组织学（一种在密歇根大学开发的快速高分辨率光学成像方法）对肿瘤标本进行成像。使用这种方法，全分辨率图像的获取时间约为100秒，低分辨率图像仅需10秒。研究发现，全分辨率模型的准确率高达92%，快速模式的准确率为90%。
“FastGlioma可以在不依赖耗时的组织学程序和医疗AI中稀缺的大规模标记数据集的情况下检测残留肿瘤组织，”共同作者Honglak Lee说，他是密歇根大学计算机科学与工程教授。
使用研究人员的人工智能技术，神经外科团队分析了220名接受低级或高级弥漫性胶质瘤手术的患者的新鲜未处理标本。FastGlioma以平均约92%的准确率检测并计算剩余的肿瘤量。由FastGlioma预测或图像和荧光引导的方法指导的手术中，AI仅在3.8%的时间内错过了高风险的残留肿瘤。相比之下，传统方法的错过率为近25%。
“该模型通过使用人工智能快速识别微观分辨率下的肿瘤浸润，与现有手术技术相比是一大创新，大大降低了在胶质瘤切除区域遗漏残留肿瘤的风险，”共同资深作者Shawn Hervey-Jumper博士说，他是加州大学旧金山分校神经外科教授，也是密歇根大学健康神经外科前住院医师。“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。”
(全文结束)
