Hjernekirurger kæmper ofte med kritiske beslutninger under hele processen med at fjerne en tumor.
Nu har hollandske forskere introduceret et AI-værktøj til at hjælpe den intraoperative beslutningsproces og give kirurger ultrahurtig indsigt i tumortyper og -undertyper.
Ifølge en nylig undersøgelse offentliggjort i NatureAI'en undersøger specifikke segmenter af en tumors DNA og identificerer forskellige kemiske strukturer.
Denne analyse giver indsigt i tumorens type og muligvis dens undertype. Sådanne rettidige oplysninger kan vejlede kirurger i deres tilgang til den kirurgiske operation.
"Det er afgørende, at tumorens undertype er kendt på operationstidspunktet," siger Jeroen de Ridder, der er lektor ved UMC Utrecht. "Det, vi nu har gjort muligt, er at stille denne meget finkornede, robuste og detaljerede diagnose allerede under operationen."
Deres deep learning-system, kaldet Sturgeon, blev udsat for strenge tests. I visse indledende tests afstod AI'en fra at stille en diagnose på grund af tvetydige data.
Samlet set demonstrerede forskerne modellens effektivitet i realtid på tværs af 25 operationer og opnåede en hurtig diagnostisk behandlingstid på mindre end 90 minutter, hvilket er meget hurtigere end traditionelle metoder. 72% af diagnoserne var korrekte, men syv nåede ikke op på den nødvendige tillidstærskel.
Mens den diagnostiske standardproces involverer en mikroskopisk undersøgelse af hjernetumorprøver, giver omfattende genetisk sekventering en dybere indsigt. Men som Dr. Alan Cohen fra Johns Hopkins understregede: "Vi er nødt til at starte behandlingen uden at vide, hvad vi behandler."
Dr. de Ridder forklarede yderligere AI'ens evne: "Den kan selv finde ud af, hvad den ser på, og lave en robust klassificering."
Der er dog stadig nogle udfordringer. Variabilitet inden for tumoren, prøvestørrelse og visse undvigende tumorer kan udgøre vanskeligheder. Marc Pagès-Gallego, en af undersøgelsens medforfattere, gav en forklaring på, hvordan de håndterede disse problemer.
Dr. Sebastian Brandner fra University College London kommenterede de praktiske forhold og sagde: "Selve implementeringen er mindre ligetil end ofte antydet."
Selv om værktøjet er et stort fremskridt, har det også sine begrænsninger.
ADr. Cohen indrømmede: "Vi har gjort nogle fremskridt, men ikke så mange i behandlingen som i forståelsen af tumorernes molekylære profil."
Mere om undersøgelsen
Det innovative værktøj 'Sturgeon' bruger deep learning til at forbedre den intraoperative klassificering af hjernetumorer og hjælper med at træffe bedre kirurgiske beslutninger.
Modellen er designet til at være 'ultrahurtig' til at klassificere tumortyper og undertyper.
- Udfordringer: Det er svært at klassificere tumorer under operationen på grund af begrænset sekvenseringstid og usikker datadækning.
- Sturgeons løsning: Dette deep learning-system bruger data, der stammer fra bredt tilgængelige methyleringsarray-data, som bruges til at profilere hjernetumorer. Sturgeon outsourcer intensive beregningsopgaver for at minimere beregningsressourcerne under operationen.
- Præstationer: Modellen har vist konsistente resultater, men tager ofte ikke højde for intratumoral diversitet. Den gav den korrekte diagnose i 72% af de kirurgiske tests.
- Fremtidig udvikling: Efterhånden som der indsamles flere data, vil Sturgeons data blive forbedret, selv om begrænsninger i datadeling på grund af bekymringer om privatlivets fred gør læring på tværs af institutioner vanskelig.
- Begrænsninger: En potentiel begrænsning er den nødvendige vævsmængde. Modellen kræver en prøvestørrelse på ca. 5 x 5 x 5 mm for at opnå de bedste resultater, men det er lykkedes at udvinde tilstrækkeligt med DNA fra mindre prøver.
Med Sturgeon kan man opnå resultater af tumordiagnostik inden for 90 minutter, hvilket er i overensstemmelse med de kirurgiske tidsfrister. Det giver kirurgerne indsigt i realtid og gør dem i stand til at træffe bedre beslutninger under operationen.
Selv om Sturgeons data er gavnlige, bør de ideelt set bruges sammen med en uddannet patologs vurdering, ifølge undersøgelsen.
Sturgeon slutter sig til en lang række banebrydende medicinsk orienterede AI-modeller, der er skabt i år, og som illustrerer teknologiens evne til at forandre resultaterne i sundhedsvæsenet.
