Hjärnkirurger brottas ofta med kritiska beslut under hela tumörborttagningsprocessen.
Nu har holländska forskare introducerat ett AI-verktyg för att underlätta den intraoperativa beslutsprocessen och ge kirurgerna ultrasnabba insikter om tumörtyper och subtyper.
Enligt en nyligen publicerad studie publicerad i NatureAI:n undersöker specifika segment av en tumörs DNA och identifierar distinkta kemiska strukturer.
Denna analys ger insikter om tumörens typ och eventuellt dess subtyp. Sådan information i rätt tid kan vägleda kirurgerna i deras tillvägagångssätt vid det kirurgiska ingreppet.
"Det är absolut nödvändigt att tumörens subtyp är känd vid tidpunkten för operationen", säger Jeroen de Ridder, docent vid UMC Utrecht. "Det vi nu har gjort möjligt är att låta denna mycket finkorniga, robusta och detaljerade diagnos utföras redan under operationen."
Deras system för djupinlärning, Sturgeon, utsattes för rigorösa tester. I vissa inledande tester avstod AI:n från att ställa diagnos på grund av tvetydiga data.
Forskarna visade att modellen fungerar i realtid vid 25 operationer och uppnådde en snabb diagnostisk behandlingstid på mindre än 90 minuter, vilket är mycket snabbare än med traditionella metoder. 72% av diagnoserna var korrekta, men sju nådde inte upp till den nödvändiga konfidensgränsen.
Medan den diagnostiska standardprocessen innebär en mikroskopisk undersökning av prover från hjärntumörer, ger omfattande genetisk sekvensering djupare insikter. Men som Dr Alan Cohen från Johns Hopkins påpekade: "Vi måste påbörja behandlingen utan att veta vad vi behandlar."
Dr de Ridder förklarade AI:ns kapacitet ytterligare: "Den kan själv räkna ut vad den tittar på och göra en robust klassificering."
Ändå kvarstår vissa utmaningar. Variabilitet inom tumören, provstorlek och vissa svårfångade tumörer kan utgöra svårigheter. Marc Pagès-Gallego, medförfattare till en av studierna, gav en bakgrund till hur de navigerade i dessa frågor.
Dr Sebastian Brandner från University College London kommenterade de praktiska aspekterna och konstaterade att "själva implementeringen är mindre enkel än vad som ofta antyds".
Även om verktyget innebär ett betydande steg framåt har det sina begränsningar.
ADr Cohen medgav: "Vi har gjort vissa framsteg, men inte lika stora framsteg när det gäller behandlingen som när det gäller förståelsen av tumörernas molekylära profil."
Mer om studien
Det innovativa verktyget "Sturgeon" använder djupinlärning för att förbättra den intraoperativa klassificeringen av hjärntumörer, vilket bidrar till bättre kirurgiskt beslutsfattande.
Modellen är utformad för att vara "ultrasnabb" när det gäller att klassificera tumörtyper och subtyper.
- Utmaningar: Att klassificera tumörer under operation är svårt på grund av begränsad sekvenseringstid och osäker datatäckning.
- Sturgeons lösning: Detta djupinlärningssystem använder data från allmänt tillgängliga metyleringsarray-data, som används för att profilera hjärntumörer. Sturgeon outsourcar intensiva beräkningsuppgifter för att minimera beräkningsresurserna under operationen.
- Prestanda: Modellen har visat konsekventa resultat men tar ofta inte hänsyn till variationen inom tumören. Den gav rätt diagnos i 72% av de kirurgiska testerna.
- Framtida utveckling: I takt med att mer data samlas in kommer Sturgeons data att förbättras, även om restriktioner för datadelning på grund av integritetshänsyn gör det svårt att lära sig mer mellan institutionerna.
- Begränsningar: En potentiell begränsning är den vävnadsmängd som krävs. Modellen kräver en provstorlek på cirka 5 x 5 x 5 mm för bästa resultat, men tillräckligt med DNA har framgångsrikt extraherats från mindre prover.
Med Sturgeon kan tumördiagnostiska resultat uppnås inom 90 minuter, vilket är i linje med kirurgiska tidsramar. Detta ger kirurgerna insikter i realtid, vilket gör att de kan fatta bättre beslut under operationen.
Sturgeons data är visserligen användbara, men enligt studien bör de helst användas tillsammans med en utbildad patologs bedömning.
Sturgeon sällar sig till skaran av banbrytande medicinskt inriktade AI-modeller som skapats i år, vilket illustrerar teknikens förmåga att förändra vårdresultaten.
