Des chercheurs ont dévoilé FastGlioma, un modèle basé sur l’IA qui détecte les tissus tumoraux cérébraux résiduels pendant une intervention chirurgicale avec une précision de 92 % en seulement 10 secondes. Cette innovation pourrait améliorer considérablement les résultats des patients en neurochirurgie.
Des chercheurs ont dévoilé un modèle d’intelligence artificielle révolutionnaire, FastGlioma, capable d’identifier les tissus tumoraux cérébraux résiduels avec une rapidité et une précision remarquables. Cette innovation promet de révolutionner la neurochirurgie, selon une étude publié dans la nature.
Développé par une équipe de l'Université du Michigan et de l'Université de Californie à San Francisco, FastGlioma permet de détecter les restes de tissu tumoral cérébral cancéreux en seulement 10 secondes lors d'une intervention chirurgicale. Cette technologie surpasse largement les méthodes traditionnelles, ouvrant une nouvelle ère dans le traitement du cancer du cerveau.
« FastGlioma est un système de diagnostic basé sur l'intelligence artificielle qui a le potentiel de changer le domaine de la neurochirurgie en améliorant immédiatement la gestion globale des patients atteints de gliomes diffus », a déclaré l'auteur principal Todd Hollon, neurochirurgien à l'Université du Michigan Health et professeur adjoint de neurochirurgie à l'UM Medical School, dans un communiqué. communiqué de presse.
L'un des défis les plus importants de la chirurgie cérébrale est l'ablation complète du tissu cancéreux. Les chirurgiens ont souvent du mal à faire la distinction entre une tumeur résiduelle et un tissu cérébral sain. Les méthodes traditionnelles, notamment l'imagerie par résonance magnétique et les agents fluorescents, ont des limites et ne sont pas toujours disponibles ou efficaces pour tous les types de tumeurs.
Dans une étude portant sur 220 patients atteints de gliome diffus de bas ou haut grade, FastGlioma a détecté le tissu tumoral résiduel avec une précision moyenne impressionnante d'environ 92 %. Il n'a manqué les tumeurs résiduelles à haut risque que dans 3.8 % des cas, contre un taux d'échec de près de 25 % avec les méthodes conventionnelles.
« Ce modèle est une innovation par rapport aux techniques chirurgicales existantes en identifiant rapidement l'infiltration tumorale à une résolution microscopique à l'aide de l'IA, réduisant considérablement le risque de manquer une tumeur résiduelle dans la zone où un gliome est réséqué », a déclaré le co-auteur principal Shawn Hervey-Jumper, professeur de neurochirurgie à l'UCSF et ancien résident en neurochirurgie à UM Health, dans le communiqué de presse.
FastGlioma combine l'imagerie optique microscopique avec des modèles d'IA de base pour évaluer la tumeur cérébrale restante. Ces modèles de base, tels que GPT-4 et DALL·E 3, ont été formés sur de vastes ensembles de données et adaptés à diverses tâches au-delà de la classification d'images, notamment les chatbots et les réponses par courrier électronique.
Le modèle de fondation visuelle utilisé dans FastGlioma a été pré-entraîné avec plus de 11,000 4 échantillons chirurgicaux et XNUMX millions de champs de vision microscopiques uniques.
« FastGlioma peut détecter le tissu tumoral résiduel sans avoir recours à des procédures histologiques chronophages et à de grands ensembles de données étiquetées dans l'IA médicale, qui sont rares », a ajouté le co-auteur Honglak Lee, professeur d'informatique et d'ingénierie à l'UM.
Cette avancée s’appuie sur la technologie de l’histologie Raman stimulée, une méthode d’imagerie optique haute résolution développée à l’UM, précédemment utilisée dans le système de diagnostic DeepGlioma.
Les implications de cette technologie sont profondes. Au cours des 20 dernières années, les taux de tumeurs résiduelles après une neurochirurgie n'ont pas diminué, ce qui a entraîné de moins bons résultats pour les patients et des charges de soins de santé plus lourdes. La capacité de FastGlioma à identifier rapidement et précisément les tumeurs résiduelles pourrait améliorer considérablement le succès chirurgical et la longévité des patients.
Les initiatives mondiales de lutte contre le cancer ont encouragé l’adoption de technologies avancées d’imagerie et d’IA dans la chirurgie du cancer. En 2015, la Commission d’oncologie de The Lancet sur la chirurgie mondiale du cancer a souligné la nécessité de telles innovations pour améliorer les marges chirurgicales à moindre coût.
De plus, la polyvalence de FastGlioma s'étend au-delà des gliomes. Les chercheurs pensent qu'il peut également détecter avec précision les tissus tumoraux résiduels dans d'autres cancers du cerveau pédiatriques et adultes, notamment le médulloblastome, l'épendymome et les méningiomes.
« Ces résultats démontrent l'avantage des modèles de fondation visuelle, tels que FastGlioma, pour les applications d'IA médicale et le potentiel de généralisation à d'autres cancers humains sans nécessiter de recyclage ou de réglage fin du modèle », a ajouté le co-auteur Aditya S. Pandey, président du département de neurochirurgie de l'UM Health.
Les recherches futures visent à appliquer le flux de travail FastGlioma à d’autres cancers, tels que les cancers du poumon, de la prostate, du sein et de la tête et du cou, transformant potentiellement le paysage des chirurgies oncologiques dans le monde entier.