Nature | 利用人工智能实现无创精准检测胶质瘤浸润降低术后残留

学术   2025-01-02 14:30   四川  
撰文 | 雪月

在手术过程中检测手术标本中肿瘤浸润的重要性已经被认可了超过一个世纪。尽管研究都在努力为癌症患者提供精准医疗,手术后残留肿瘤仍然是全球范围内的一个重大公共健康问题。对于实体癌症和脑肿瘤来说,残留肿瘤会导致患者生活质量下降、生存期缩短,并增加对医疗系统的负担。过去二十年中,残留肿瘤的发生率并未改善,修正性手术和术后治疗在美国每年估计花费超过10亿美元。

在胶质瘤治疗中,一个关键的挑战是在手术过程中检测肿瘤浸润,以实现安全的最大程度的切除。然而在手术后,大多数胶质瘤患者体内仍发现可安全切除的残留肿瘤,导致肿瘤早期复发并降低生存率。

近日,来自密歇根大学的Todd Hollon 团队在Nature上发表题为Foundation models for fast, label-free detection of glioma infiltration 的文章。本研究介绍了一种名为FastGlioma的开源人工智能(AI)诊断系统,它能够在患者床旁检测新鲜、未经处理和未标记的手术组织中的脑肿瘤浸润情况


传统的显微镜分析需要使用苏木精和伊红(H&E)染色组织,这种方法耗时、资源密集,并且依赖于日益减少的病理学人力资源。作者开发的FastGlioma通过结合快速、用户友好的床旁光学显微镜和基于超过11000个手术标本及400万个独特显微视野训练的视觉基础模型,解决了这些局限性。

基础模型(如GPT-4和DALL-E3)是训练在大规模、多样化数据集上的AI模型,能够适应广泛的下游任务。用于医学AI的基础模型有望通过无需特定任务的大量标注,解决具有挑战性的临床任务并实现良好的泛化性能和临床意义。FastGlioma结合视觉基础模型训练和高效的微调策略,在最少的监督训练下实现对不同患者人群、医疗系统和WHO脑肿瘤诊断的泛化。作为一种通用的手术辅助工具,FastGlioma在组织活检后的几秒钟内即可为医生提供实时、准确且具有临床意义的诊断信息,从而改善脑肿瘤患者的手术治疗,提高患者的生活质量和总体生存率。

FastGlioma模型使用通过刺激拉曼组织学(SRH)获得的超过400万张无标签光学图像的大规模数据集进行训练。SRH是一种快速且无需标记的成像技术。模型采用自监督学习,并针对胶质瘤浸润检测进行了微调。从正在接受脑肿瘤切除手术的患者中采集新鲜手术组织样本,并使用SRH进行成像。这种成像方法基于组织的内在生化特性提供高分辨率的无标签图像,无需传统的染色技术。

作者收集了来自13个医疗中心的数据,涉及3000多名患有中枢神经系统肿瘤的患者。全幻灯片图像被分割成小块,用于模型训练和评估。模型使用视觉变换器架构进行训练,采用两阶段的自监督学习方法。首先提取图像块的特征,然后通过裁剪和遮盖等变换学习全幻灯片图像的特征。模型被训练生成一个分数,指示肿瘤浸润程度,标注由病理学专家提供的弱序数标签。模型使用一种高效的数据序数表示学习方法进行微调,针对一个较小的注释数据集。这一过程通过最大化不同肿瘤浸润图像之间的潜在距离,确保图像的准确排序。

在一个国际多中心的前瞻性队列中,FastGlioma对220名弥漫性胶质瘤患者进行了测试。其性能与传统手术辅助手段(如基于MRI的神经导航和荧光引导手术)进行对比,显示出更高的准确性,并在患者人群和肿瘤亚型中具有较强的泛化能力。研究人员模拟了一项临床试验,评估FastGlioma在指导手术切除中的效果。结果表明,与标准方法相比,使用FastGlioma显著减少了漏诊密集肿瘤浸润等高风险错误。

这项综合研究展示了FastGlioma在提高胶质瘤手术精确性、减少术后残留肿瘤风险方面的巨大潜力。

原文链接:https://doi.org/10.1038/s41586-024-08169-3

制版人:十一


BioArt

Med

Plants

人才招聘

会议资讯



BioART战略合作伙伴

(*排名不分先后)

BioART友情合作伙伴
(*排名不分先后)

转载须知


【原创文章】BioArtMED原创文章,欢迎个人转发分享,未经允许禁止转载,所刊登的所有作品的著作权均为BioArtMED所拥有。BioArtMED保留所有法定权利,违者必究。

BioArtMED
BioArt姊妹号。关注医学最前沿,提高科学新认知,聚焦人类大健康。
 最新文章