发表在《自然》杂志上的一项研究表明，研究人员开发了一种人工智能驱动的模型，可以在10秒内确定手术中是否有任何可以切除的脑癌部分残留

根据密歇根大学和加州大学旧金山分校领导的研究小组的说法，这项被称为FastGlioma的技术在识别肿瘤残余方面比传统方法要好得多。

“FastGlioma是一种基于人工智能的诊断系统，通过立即改善弥漫性胶质瘤患者的综合管理，有可能改变神经外科领域，”资深作者Todd Hollon医学博士说，他是密歇根大学健康大学的神经外科医生，也是密歇根大学医学院神经外科助理教授。

“这项技术比目前肿瘤检测的标准护理方法更快、更准确，可以推广到其他儿科和成人脑肿瘤诊断中。”它可以作为指导脑肿瘤手术的基础模型。”

当神经外科医生从病人的大脑中切除危及生命的肿瘤时，他们很少能切除整个肿块。

剩下的被称为残余肿瘤。

通常，在手术中肿瘤被遗漏，因为外科医生无法区分健康的大脑和肿块被切除的腔内残留的肿瘤。残余肿瘤与健康脑组织相似的能力仍然是外科手术的主要挑战。

神经外科团队在手术过程中使用不同的方法来定位残余肿瘤。

他们可能会接受核磁共振成像，这需要术中设备，而不是到处都有。外科医生也可能使用荧光显像剂来识别肿瘤组织，这并不适用于所有类型的肿瘤。这些限制?阻止了它们的广泛使用

在这项人工智能驱动技术的国际研究中，神经外科团队分析了来自220名接受过低级别或高级别弥漫性胶质瘤手术的患者的新鲜、未处理标本。

FastGlioma检测并计算剩余肿瘤的平均准确率约为92%。

在FastGlioma预测或图像和荧光引导方法指导下的手术比较中，人工智能技术仅错过了3.8%的高风险残留肿瘤，而传统方法的失误率接近25%。

“这个模型是对现有手术技术的一种创新，它使用人工智能在微观分辨率下快速识别肿瘤浸润，大大降低了胶质瘤切除区域残留肿瘤缺失的风险，”共同资深作者Shawn Hervey-Jumper医学博士说，他是加州大学旧金山分校的神经外科教授。

“快速胶质瘤的发展可以最大限度地减少对放射成像、对比度增强或荧光标记的依赖，以实现最大程度的肿瘤切除。”

它是如何工作的?

为了评估脑肿瘤的残余，FastGlioma将显微光学成像与一种称为基础模型的人工智能相结合。这些是人工智能模型，如GPT-4和DALL·E 3，在大量不同的数据集上训练，可以适应各种各样的任务。

经过大规模训练，基础模型可以对图像进行分类，充当聊天机器人，回复电子邮件并从文本描述生成图像。

为了构建FastGlioma，研究人员使用超过11,000个手术标本和400万个独特的显微镜视野来预先训练视觉基础模型。

肿瘤标本通过刺激拉曼组织学成像，这是密歇根大学开发的一种快速、高分辨率光学成像方法。同样的技术也被用于训练DeepGlioma，这是一种基于人工智能的诊断筛选系统，可以在90秒内检测脑肿瘤的基因突变。

“FastGlioma可以检测残留的肿瘤组织，而无需依赖耗时的组织学程序和医疗人工智能中的大型标记数据集，这是稀缺的，”密歇根大学计算机科学与工程教授、合著者Honglak Lee博士说。

使用受激拉曼组织学获得全分辨率图像大约需要100秒；“快速模式”低分辨率图像只需10秒。

研究人员发现，全分辨率模型的精度高达92%，快速模式的精度略低，约为90%。

Hollon说：“这意味着我们可以在几秒钟内以极高的精度检测肿瘤浸润，这可以通知外科医生在手术中是否需要更多的切除。”

人工智能在癌症中的未来

在过去的20年里，神经外科手术后残留肿瘤的比率并没有提高。残余肿瘤不仅会导致患者的生活质量下降和过早死亡，而且还会增加卫生系统的负担，预计到2030年，全球每年需要进行4500万次外科手术。

全球癌症倡议建议将新技术，包括先进的成像方法和人工智能，纳入癌症手术。

2015年，《柳叶刀》肿瘤学委员会关于全球癌症手术指出，“需要具有成本效益……在癌症手术中解决手术边缘的方法为新技术提供了强有力的推动力。”

FastGlioma不仅是神经外科团队治疗神经胶质瘤的一种方便和负担得起的工具，而且研究人员说，它还可以准确地检测几种非神经胶质瘤的残余肿瘤诊断，包括小儿脑肿瘤，如髓母细胞瘤、室管膜瘤和脑膜瘤。

“这些结果证明了视觉基础模型（如FastGlioma）在医疗人工智能应用中的优势，以及推广到其他人类癌症的潜力，而不需要广泛的模型再培训或微调，”密歇根大学健康神经外科系主任Aditya S. Pandey医学博士说。

“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、乳腺癌和头颈癌。”