密歇根大学健康神经外科团队进行手术，图片来源：Chris Hedly，密歇根医学。
研究人员开发了一种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肿瘤残余部分。根据由密歇根大学、加州大学领导的研究团队及其发表的论文，这项技术（称为FastGlioma）在识别肿瘤残余部分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，”高级作者、密歇根大学健康神经外科医生Todd Hollon说。“该技术比目前用于肿瘤检测的标准护理方法更快、更准确，并且可以推广到其他儿科和成人脑肿瘤诊断。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一个危及生命的肿瘤时，他们很少能够移除整个肿块。剩余的部分被称为残余肿瘤。通常情况下，肿瘤在手术过程中会被遗漏，因为外科医生无法区分手术腔内的健康脑组织和残余肿瘤组织。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，这可能包括MRI成像（医院可能不具备该设备）或荧光成像剂来识别肿瘤组织（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220名接受低级别或高级别弥漫性胶质瘤手术的患者的新鲜未处理样本。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%的时间内错过了高风险的残余肿瘤组织，而传统方法的漏诊率为25%。
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。这些模型，如GPT-4和DALL·E 3，经过大规模、多样化的数据集训练，可以适应广泛的任务。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。
“FastGlioma可以在不依赖耗时的组织学程序和医疗AI中稀缺的大规模标注数据集的情况下检测残余肿瘤组织，”密歇根大学计算机科学与工程教授Honglak Lee博士说。全分辨率图像采集大约需要100秒，而“快速模式”低分辨率图像只需10秒。即便如此，研究人员发现快速模式的准确率达到90%，仅比全分辨率低2%。
“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。
在过去的20年里，神经外科手术后残余肿瘤的发生率并未得到改善。残余肿瘤组织不仅会导致患者生活质量下降和早逝，还会增加全球卫生系统的负担，预计到2030年每年需要4500万次手术。
FastGlioma不仅是治疗胶质瘤的神经外科团队可访问且负担得起的工具，研究人员还表示，它还可以准确检测几种非胶质瘤肿瘤诊断的残余肿瘤，包括儿童脑肿瘤（如髓母细胞瘤和室管膜瘤）和脑膜瘤。
“这些结果展示了视觉基础模型（如FastGlioma）在医疗AI应用中的优势，以及在无需大量模型再训练或微调的情况下推广到其他人类癌症的潜力，”共同作者、UM Health神经外科系主任Aditya S. Pandey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。”
(全文结束)
