Hjernekirurger må ofte ta kritiske avgjørelser gjennom hele prosessen med å fjerne svulsten.
Nå har nederlandske forskere introdusert et AI-verktøy som kan hjelpe kirurgene med å ta beslutninger under operasjonen, og som gir dem lynrask innsikt i svulsttyper og undertyper.
Ifølge en nylig publisert studie publisert i Natureundersøker den kunstige intelligensen spesifikke segmenter av en svulsts DNA og identifiserer distinkte kjemiske strukturer.
Denne analysen gir innsikt i svulstens type og muligens dens subtype. Slik informasjon kan veilede kirurgene i deres tilnærming til den kirurgiske operasjonen.
"Det er avgjørende at svulstens subtype er kjent på operasjonstidspunktet", sier Jeroen de Ridder, førsteamanuensis ved UMC Utrecht. "Det vi nå har gjort mulig, er at vi kan stille denne svært finkornede, robuste og detaljerte diagnosen allerede under operasjonen."
Dybdelæringssystemet deres, kalt Sturgeon, ble utsatt for grundige tester. I visse innledende tester avsto AI-en fra å stille diagnose på grunn av tvetydige data.
Forskerne demonstrerte modellens effektivitet i sanntid på 25 operasjoner, og oppnådde en rask diagnostisk behandlingstid på under 90 minutter, mye raskere enn tradisjonelle metoder. 72% av diagnosene var korrekte, men syv nådde ikke den nødvendige konfidensgrensen.
Mens standard diagnostisk prosess innebærer en mikroskopisk undersøkelse av hjernesvulstprøver, gir omfattende genetisk sekvensering dypere innsikt. Men som Dr. Alan Cohen fra Johns Hopkins understreket: "Vi må starte behandlingen uten å vite hva vi behandler."
Dr. de Ridder forklarte AI-ens kapasitet ytterligere: "Den kan selv finne ut hva den ser på, og foreta en robust klassifisering."
Noen utfordringer gjenstår likevel. Variabilitet i svulsten, utvalgsstørrelse og enkelte svulster som er vanskelige å få tak i, kan by på problemer. Marc Pagès-Gallego, en av studiens medforfattere, fortalte litt om hvordan de håndterte disse problemene.
Dr. Sebastian Brandner fra University College London kommenterte de praktiske aspektene, og hevdet at "implementeringen i seg selv er mindre enkel enn ofte antatt".
Selv om verktøyet representerer et betydelig fremskritt, har det også sine begrensninger.
ACohen innrømmet: "Vi har gjort noen fremskritt, men ikke så mange når det gjelder behandlingen som når det gjelder forståelsen av svulstenes molekylære profil."
Mer om studien
Det innovative verktøyet "Sturgeon" bruker dyp læring for å forbedre den intraoperative klassifiseringen av hjernesvulster, noe som bidrar til bedre kirurgiske beslutninger.
Modellen er utviklet for å være "ultrarask" når det gjelder å klassifisere tumortyper og subtyper.
- Utfordringer: Det er vanskelig å klassifisere svulster under operasjonen på grunn av begrenset sekvenseringstid og usikker datadekning.
- Sturgeons løsning: Dette dybdelæringssystemet bruker data fra allment tilgjengelige metyleringsdata, som brukes til å profilere hjernesvulster. Sturgeon outsourcer intensive beregningsoppgaver for å minimere databehandlingsressursene under operasjonen.
- Prestasjoner: Modellen har vist konsistente resultater, men tar ofte ikke hensyn til intratumormangfoldet. Den ga riktig diagnose i 72% av de kirurgiske testene.
- Fremtidig utvikling: Etter hvert som mer data samles inn, vil Sturgeons data bli utvidet, selv om begrensninger i datadeling på grunn av personvernhensyn gjør det vanskelig å lære på tvers av institusjoner.
- Begrensninger: En potensiell begrensning er mengden vev som kreves. Modellen krever en prøvestørrelse på ca. 5 x 5 x 5 mm for å oppnå best mulig resultat, men det har vist seg å være mulig å utvinne tilstrekkelig DNA fra mindre prøver.
Med Sturgeon kan man få svar på svulstdiagnostikk i løpet av 90 minutter, noe som er i tråd med tidsskjemaet for kirurgiske inngrep. Dette gir kirurgene innsikt i sanntid, slik at de kan ta bedre beslutninger under operasjonen.
Selv om Sturgeons data er nyttige, bør de ideelt sett brukes sammen med en utdannet patologs vurdering, ifølge studien.
Sturgeon føyer seg inn i rekken av banebrytende medisinsk orienterte AI-modeller som er skapt i år, og som illustrerer teknologiens evne til å endre resultatene i helsevesenet.
