Künstliche Intelligenz beschleunigt die Diagnose von Hirntumoren während der Operation

Forscher verwenden künstliche Intelligenz, um schnell Bilder von Gehirntumor-Biopsien zu analysieren, die mit einer Technologie namens Stimulated Raman Histology (SRH) erstellt wurden.

Bildnachweis: NYU Langone Health

Bei Patienten mit einem Hirntumor ist der erste Schritt der Behandlung oft eine Operation, um so viel Masse wie möglich zu entfernen. Eine während der Operation entnommene und analysierte Tumorprobe kann dabei helfen, den Tumor präzise zu diagnostizieren und die Grenzen zwischen Tumor und gesundem Hirngewebe zu definieren.

Eine solche intraoperative Pathologieanalyse benötigt jedoch Zeit – die Probe muss von einem Pathologen verarbeitet, gefärbt und analysiert werden, während der Chirurg und der Patient auf die Ergebnisse warten. Jetzt zeigt eine neue Studie, dass ein Prozess, der eine fortschrittliche Bildgebungstechnologie und künstliche Intelligenz (KI) kombiniert , Hirntumoren während der Operation in weniger als 3 Minuten genau diagnostizieren kann. Der Ansatz war auch in der Lage, Tumorgewebe von gesundem Gewebe genau zu unterscheiden.

Die Ergebnisse wurden am 6. Januar in Nature Medicine veröffentlicht .

"Diese Technologie eignet sich besonders für Patienten mit neu entdeckten Tumoren und Patienten mit [wiederkehrenden Tumoren], die sich einer zweiten oder dritten Operation unterziehen", sagte Dr. Daniel Orringer von der NYU Langone Health, der die Studie leitete.

Diese Studie, so schrieb das Forscherteam, eröffnet die Tür zu einem „beispiellosen Zugang zur intraoperativen Gewebediagnose am Krankenbett während der Operation“ und verringert gleichzeitig das Risiko,… normales Gewebe neben einem [Tumor] zu entfernen.

Kareem Zaghloul, MD, Ph.D., ein Neurochirurg in der Abteilung für chirurgische Neurologie des NIH, der nicht an der Forschung beteiligt war, sagte, er sei von den Ergebnissen der Studie ermutigt. "Diese Technologie könnte Aufschluss darüber geben, wie aggressiv oder konservativ Operationen sein müssen", sagte Dr. Zaghloul.

Anwendung von Imaging- und AI-Technologie

In der Studie wollte ein Forschungsteam unter der Leitung von Dr. Orringer und Dr. Todd Hollon, Chefarzt für Neurochirurgie an der Universität von Michigan, testen, ob sie eine Bildgebungstechnologie namens stimulierte Raman-Histologie (SRH) mit der Vorhersagekraft der KI kombinieren können Verbesserung der derzeitigen Praxis der intraoperativen Pathologie.

SRH, eine spezialisierte Form der Mikroskopie , kann verwendet werden, um frische Gewebeproben direkt im Operationssaal zu visualisieren und sogar die gleiche Art von "Färbung" zu erzeugen, die Pathologen zur Analyse der Zellstruktur auf gefrorene Gewebeproben anwenden. An der Universität von Michigan setzen chirurgische Teams bereits ein SRH-System für einige Hirntumor- und Kopf-Hals-Krebsverfahren ein.

Bei KI werden leistungsfähige Computer verwendet, um Aufgaben auszuführen, die normalerweise mit der menschlichen Intelligenz verbunden sind. Eine Art von KI, die als Deep Learning bezeichnet wird, verwendet komplexe mathematische Algorithmen, manchmal auch Faltungs-Neuronale Netze genannt, um Merkmale aus Daten zu extrahieren, auf die sie dann „trainiert“ wird.

Dieses Training ermöglicht es dem Algorithmus, Muster zu erkennen und Aufgaben wie das Analysieren von Bildern auszuführen. In der Medizin werden solche Algorithmen beispielsweise untersucht, um festzustellen, ob sie bei der Beurteilung von Mammographien , der Erkennung von Krebsvorstufen im Gebärmutterhals oder der genaueren Erkennung von Krebsmolen helfen können .

Um die Leistungsfähigkeit des SRH-Imagers mit der KI zu kombinieren, trainierten die Forscher zunächst einen Algorithmus für SRH-Bilder von Hirntumorgewebe. Für das Training verwendeten sie mehr als 2,5 Millionen Tumorgewebebilder von 415 Patienten. Die Bilder deckten drei Nicht-Tumor-Gewebeklassifikationen ab, einschließlich gesunder grauer oder weißer Substanz, und die 10 häufigsten Gehirntumortypen, die mehr als 90% aller in den USA diagnostizierten Gehirntumoren ausmachen.

"Eine große anfängliche Herausforderung bestand darin, die ideale Größe und Auflösung der Bilder zu bestimmen, um den Algorithmus zu trainieren", sagte Dr. Hollon. Sobald diese idealen Parameter bestimmt waren, lernte der Algorithmus, Gewebeproben als definitive Tumoren, Nicht-Tumor-Gewebe oder Nicht-Diagnosen zu klassifizieren (was bedeutet, dass sie nicht durch AI analysiert werden konnten).

Testen in einer klinischen Studie

Um den klinischen Wert der SRH-AI-Technologie für die Diagnose von Hirntumoren zu untersuchen, nahmen die Forscher fast 280 Patienten an einer klinischen Studie teil, die es den Chirurgen erlaubte, zusätzliches Tumorgewebe zu sammeln, das über das übliche Maß hinausgeht, jedoch auf diese Weise würde keine zusätzlichen Risiken darstellen.

Gewebeproben wurden zweigeteilt und unter Verwendung der neuen Technologie (SRH-Bilder, klassifiziert nach dem Algorithmus) im Operationssaal und konventioneller Laborpathologie (Gewebe wurden verarbeitet, gefärbt und von einem Pathologen analysiert) analysiert, um festzustellen, ob die neue Technologie so genau war wie die konventionelle Technologie.

Das war der Fall. Der Algorithmus diagnostizierte Hirntumoren in 94,6% der Fälle korrekt, während die konventionelle pathologiebasierte Analyse eine Gesamtgenauigkeitsrate von 93,9% aufwies.

In den Fällen, in denen Gewebeproben durch den Algorithmus falsch klassifiziert wurden, hatte ein Pathologe die richtige Diagnose gestellt. Und in den Fällen, in denen Pathologen eine Probe falsch klassifizierten, hatte der Algorithmus die richtige Diagnose gestellt.

Die Forscher stellten fest, dass die Fähigkeit der KI-Technologie und der Pathologen, sich gegenseitig zu überprüfen, deutlich macht, dass Pathologen neben der KI-Technologie arbeiten müssen, um herausfordernde Fälle zu interpretieren und die höchstmögliche diagnostische Genauigkeit sicherzustellen.

Verbesserung der chirurgischen Genauigkeit

Das Ausmaß der Tumorentfernung kann sowohl während der Operation als auch mit einem postoperativen MRT-Scan bestimmt werden, der zeigt, wie vollständig die Entfernung war. Während die Entfernung von so viel Tumor wie möglich während der Operation die Lebenserwartung von Patienten verbessern kann, kann die Entfernung von zu viel gesundem Gehirngewebe während der Operation schwerwiegende und schädliche Folgen für einen Patienten haben, wie z.

Um dies zu beheben, untersuchten die Forscher auch die Fähigkeit der neuen Technologie, Tumorgewebe von gesundem Hirngewebe zu unterscheiden, während sich der Patient noch in der Chirurgie befindet.

Da Tumorzellen manchmal gesundes Gewebe infiltrieren können, kann es schwierig sein, die Grenze zwischen Tumor und gesundem Gewebe während der Operation mit dem bloßen Auge zu erkennen. Durch die Aufteilung der einzelnen Probenbilder in kleinere „Flecken“ können Chirurgen mithilfe der AI-Technologie schnell und eindeutig Bereiche identifizieren, die Tumore oder gesundes Gewebe enthalten.

Dr. Orringer sagte: „Mit der SRH-AI-Technologie können wir Tumorzellen sichtbar machen, die ansonsten während der Operation unsichtbar wären.“

Und da "die Prognose eines Patienten vom Ausmaß der Resektion abhängt", sagte Dr. Zaghloul, der bessere Informationen über den Gehirntumorrand hat, "könnte dies zu besseren Behandlungsergebnissen für Patienten und weniger chirurgischen Komplikationen führen, da gesundes Gewebe erhalten bleibt . "

Die Zukunft der KI bei Hirntumoren

Bevor die neue Technologie auf andere Zentren und Institutionen ausgeweitet werden kann, sind „robuste Tests mit mehr Patienten und die Ausweitung der Technologie auf seltene Hirntumoren dringend erforderlich“, sagte Dr. Zaghloul.

Der SRH-Imager wird heute in mehreren großen Krebszentren in den USA eingesetzt. Sowohl die KI- als auch die SRH-Bildgebung sind aufstrebende Technologien. Daher wird es schwierig sein, sie in die Pflege zu integrieren, erklärte Dr. Orringer.

Dr. Orringer ist jedoch zuversichtlich, dass der Einsatz der SRH-AI-Technologie in Zukunft zunehmen wird, auch in Zentren mit begrenzten Pathologieressourcen und für den potenziellen Einsatz bei einer Reihe verschiedener Krebsarten.

Quelle: National Cancer Institute

Das könnte Dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.