• Tweet

Cercetătorii au dezvoltat un model bazat pe inteligenţă artificială (AI) care, în 10 secunde, poate determina, în timpul unei intervenţii chirurgicale, dacă a mai rămas vreo parte a unei tumori cerebrale canceroase care ar putea fi îndepărtată, sugerează un studiu publicat miercuri în revista Nature.

Tehnologia, botezată FastGlioma, a depăşit cu mult metodele convenţionale pentru identificarea potenţialelor tumori reziduale, potrivit echipei de cercetare conduse de Universitatea din Michigan şi Universitatea din California San Francisco.

„FastGlioma este un sistem de diagnostic bazat pe AI care are potenţialul de a schimba domeniul neurochirurgiei prin îmbunătăţirea imediată a managementului cuprinzător al pacienţilor cu gliom difuz", a declarat miercuri, într-un comunicat autorul principal, dr. Todd Hollon, neurochirurg la spitalul universitar din Michigan (U-M) şi conf. univ. dr. în neurochirurgie la facultatea de medicină a U-M.

Potrivit autorilor, „tehnologia funcţionează mai rapid şi mai precis decât metodele actuale standard pentru detectarea tumorilor şi ar putea fi generalizată la alte diagnostice de tumori cerebrale pediatrice şi adulte, şi ar putea servi ca un model de bază pentru ghidarea chirurgiei tumorilor cerebrale".

Atunci când un neurochirurg îndepărtează din creierul unui pacient o tumoră care îi pune viaţa în pericol, rareori reuşeşte să îndepărteze întreaga masă. Ceea ce rămâne este cunoscut sub numele de tumoră reziduală.

De obicei, tumora este omisă în timpul operaţiei deoarece chirurgii nu pot face diferenţa între creierul sănătos şi tumora reziduală din cavitatea din care a fost îndepărtată masa. Capacitatea tumorii reziduale de a semăna cu ţesutul cerebral sănătos rămâne o provocare majoră în chirurgie.

Echipele neurochirurgicale utilizează diferite metode pentru a localiza tumora reziduală în timpul unei proceduri.

Se pot obţine imagini RMN, care necesită aparatură intraoperatorie care nu este disponibilă peste tot. Chirurgul ar putea folosi, de asemenea, un agent de imagistică fluorescent pentru a identifica ţesutul tumoral, care nu este aplicabil pentru toate tipurile de tumori. Aceste limitări împiedică utilizarea lor pe scară largă.

În acest studiu internaţional al tehnologiei bazate pe inteligenţă artificială, echipele neurochirurgicale au analizat specimene proaspete, neprocesate, prelevate de la 220 de pacienţi care au fost operaţi pentru gliom difuz de grad scăzut sau înalt.

FastGlioma a detectat şi a calculat cantitatea de tumoră rămasă cu o precizie medie de aproximativ 92%.

Într-o comparaţie a operaţiilor ghidate de predicţiile FastGlioma sau de metodele ghidate de imagini şi fluorescenţă, tehnologia AI a omis tumora reziduală cu risc ridicat în doar 3,8% din cazuri, comparativ cu o rată de eroare de aproape 25% pentru metodele convenţionale.

„Acest model este o abatere inovatoare de la tehnicile chirurgicale existente prin identificarea rapidă a infiltrării tumorale la rezoluţie microscopică cu ajutorul AI, reducând considerabil riscul de a rata tumora reziduală în zona în care este rezecat un gliom", a completat coautorul principal dr. Shawn Hervey-Jumper, profesor de neurochirurgie la Universitatea din California San Francisco (UCSF) şi fost rezident de neurochirurgie la spitalul U-M.

„Dezvoltarea FastGlioma poate minimiza dependenţa de imagistica radiografică, intensificarea contrastului sau etichetele fluorescente pentru a obţine îndepărtarea maximă a tumorii", spun autorii studiului.

Pentru a evalua ce rămâne dintr-o tumoră cerebrală, FastGlioma combină imagistica optică microscopică cu un tip de AI numită model de fundaţie. Acestea sunt modele AI, precum GPT-4 şi DALL-E 3, antrenate pe seturi de date masive şi diverse, care pot fi adaptate la o gamă largă de sarcini.

După o instruire pe scară largă, modelele de bază pot clasifica imagini, pot acţiona ca chatbots, pot răspunde la e-mailuri şi pot genera imagini din descrieri text.

Pentru a construi FastGlioma, cercetătorii au pre-antrenat modelul vizual de bază folosind peste 11.000 de specimene chirurgicale şi 4 milioane de câmpuri microscopice unice de vizualizare.

Specimenele tumorale sunt reprezentate prin histologie Raman stimulată, o metodă de imagistică optică rapidă, de înaltă rezoluţie, dezvoltată la U-M. Aceeaşi tehnologie a fost utilizată pentru a antrena DeepGlioma, un sistem de screening diagnostic bazat pe AI care detectează mutaţiile genetice ale unei tumori cerebrale în mai puţin de 90 de secunde.

„FastGlioma poate detecta ţesutul tumoral rezidual fără a se baza pe proceduri histologice consumatoare de timp şi pe seturi mari de date etichetate în AI medicală, care sunt rare", a precizat Honglak Lee, coautor şi profesor de informatică şi inginerie la U-M.

Obţinerea imaginilor cu rezoluţie maximă durează aproximativ 100 de secunde utilizând histologia Raman stimulată; o imagine cu rezoluţie mai mică în „mod rapid" durează doar 10 secunde.

Cercetătorii au constatat că modelul cu rezoluţie completă a obţinut o precizie de până la 92%, iar modul rapid a fost uşor mai scăzut, la aproximativ 90%.

„Asta înseamnă că putem detecta infiltrarea tumorală în câteva secunde, cu o precizie extrem de ridicată, ceea ce ar putea informa chirurgii dacă este necesară o rezecţie mai mare în timpul unei operaţii", a explicat dr. Hollon.

În ultimii 20 de ani, ratele de tumoră reziduală după neurochirurgie nu s-au îmbunătăţit.

Tumora reziduală nu numai că duce la o calitate mai proastă a vieţii şi la un deces mai timpuriu pentru pacienţi, dar creşte povara asupra unui sistem de sănătate care anticipează 45 de milioane de proceduri chirurgicale anuale necesare la nivel mondial până în 2030.

Iniţiativele globale privind cancerul au recomandat încorporarea noilor tehnologii, inclusiv a metodelor avansate de imagistică şi AI, în chirurgia cancerului.

În 2015, Comisia The Lancet Oncology privind chirurgia globală a cancerului a remarcat că „nevoia de aplicaţii rentabile pentru abordarea marginilor chirurgicale în chirurgia cancerului oferă un impuls puternic pentru tehnologii noi".

Nu numai că FastGlioma este un instrument accesibil şi la preţuri convenabile pentru echipele neurochirurgicale care operează glioame, dar cercetătorii spun că, de asemenea, poate detecta cu exactitate tumora reziduală pentru mai multe diagnostice tumorale non-glioame, inclusiv tumorile cerebrale pediatrice, cum ar fi meduloblastomul şi ependimomul, şi meningioamele.

„Aceste rezultate demonstrează avantajul modelelor de fundaţie vizuală, cum ar fi FastGlioma, pentru aplicaţiile AI medicale şi potenţialul de a se generaliza la alte tipuri de cancer uman, fără a necesita o reantrenare extinsă a modelului sau o reglare fină", a declarat coautorul dr. Aditya S. Pandey, preşedintele departamentului de neurochirurgie de la spitalul U-M.

În studiile viitoare, cercetătorii se vor concentra pe aplicarea fluxului de lucru FastGlioma la alte tipuri de cancer, inclusiv cancerul pulmonar, de prostată, de sân şi cele din zona ORL (de cap şi de gât).