Innovative KI erkennt Gliom-Reste während der OP in zehn Sekunden

Forschende der University of Michigan und der University of California San Francisco haben ein KI-gestütztes Modell entwickelt, das während einer Operation innerhalb von zehn Sekunden feststellen kann, ob ein Teil eines krebsartigen Hirntumors, der entfernt werden könnte, übrig bleibt. Die FastGlioma genannte Technologie übertraf herkömmliche Methoden zur Identifizierung von Tumorresten bei weitem.  

“FastGlioma ist ein auf künstlicher Intelligenz basierendes Diagnosesystem, das das Potenzial hat, das Feld der Neurochirurgie zu verändern, indem es die umfassende Behandlung von Patienten mit diffusen Gliomen sofort verbessert”, sagte Hauptautor Todd Hollon, M.D., Neurochirurg an der University of Michigan Health und Assistenzprofessor für Neurochirurgie an der U-M Medical School. “Die Technologie arbeitet schneller und genauer als die derzeitigen Standardmethoden zur Tumorerkennung und könnte auf andere Hirntumordiagnosen ausgedehnt werden. Sie könnte als grundlegendes Modell für die Steuerung von Hirntumoroperationen dienen.”  

Wenn ein Neurochirurg einen lebensbedrohlichen Tumor aus dem Gehirn eines Patienten entfernt, gelingt es ihm nur selten, die gesamte Masse zu entfernen, so dass ein Resttumor im Kopf des Patienten verbleibt. Häufig wird der Tumor während der Operation übersehen, weil der Mensch nicht in der Lage ist, wegen ihrer enormen Ähnlichkeit zwischen dem gesunden Gehirn und dem Resttumor zu unterscheiden.

Neurochirurgische Teams setzen verschiedene Methoden ein, um diesen Resttumor während eines Eingriffs zu lokalisieren, beispielsweise eine MRT-Bildgebung. Allerdings sind hierfür intraoperative Geräte erforderlich sind, die nicht überall verfügbar sind. Zudem ist die Gabe eines fluoreszierendes Bildgebungsmittels möglich, um das Tumorgewebe zu identifizieren – was jedoch nicht für alle Tumorarten geeignet ist.

In der aktuellen, internationalen Studie analysierten neurochirurgische Teams frische, unbearbeitete Proben von 220 Patienten, die wegen eines niedrig- oder hochgradigen diffusen Glioms operiert worden waren. FastGlioma erkannte und berechnete die verbleibende Tumormenge mit einer durchschnittlichen Genauigkeit von etwa 92 Prozent.  

Bei einem Vergleich von Operationen, die durch FastGlioma-Vorhersagen oder bild- und fluoreszenzgestützte Methoden geleitet wurden, übersah die KI-Technologie in nur 3,8 Prozent der Fälle einen hochriskanten Resttumor – im Vergleich zu einer Fehlerquote von fast 25 Prozent bei herkömmlichen Methoden.  

“Dieses Modell ist eine innovative Abkehr von bestehenden chirurgischen Techniken, da es die Tumorinfiltration mit mikroskopischer Auflösung unter Verwendung von KI schnell identifiziert und so das Risiko, einen Resttumor in dem Bereich zu übersehen, in dem ein Gliom reseziert wird, erheblich verringert”, sagte Co-Autor Shawn Hervey-Jumper, M.D., Professor für Neurochirurgie an der University of California San Francisco, “die Entwicklung von FastGlioma kann die Abhängigkeit von Röntgenaufnahmen, Kontrastverstärkung oder fluoreszierenden Markierungen minimieren, um eine maximale Tumorentfernung zu erreichen.”  

Funktionsweise  

Um zu beurteilen, was von einem Hirntumor übrig geblieben ist, kombiniert FastGlioma mikroskopische optische Bildgebung mit einer Art von künstlicher Intelligenz, den so genannten Basismodellen. Dabei handelt es sich um KI-Modelle wie GPT-4 und DALL-E 3, die auf umfangreichen, vielfältigen Datensätzen trainiert wurden und an eine breite Palette von Aufgaben angepasst werden können. Nach einem umfangreichen Training können die Basismodelle Bilder klassifizieren, die als Chatbots fungieren, E-Mails beantworten und Bilder aus Textbeschreibungen generieren.  

Um FastGlioma zu entwickeln, trainierten die Forscher das visuelle Basismodell anhand von über 11.000 chirurgischen Proben und vier Millionen einzigartigen mikroskopischen Aufnahmen.  

Die Tumorproben wurden durch stimulierte Raman-Histologie abgebildet, eine an der U-M entwickelte Methode zur schnellen, hochauflösenden optischen Bildgebung. Die gleiche Technologie wurde für das Training von DeepGlioma verwendet, einem KI-basierten diagnostischen Screening-System, das die genetischen Mutationen eines Hirntumors in weniger als 90 Sekunden erkennt,

“FastGlioma kann verbliebenes Tumorgewebe erkennen, ohne auf zeitaufwändige histologische Verfahren und große, beschriftete Datensätze in der medizinischen KI angewiesen zu sein, die rar sind”, so Honglak Lee, Ph.D., Mitautor und Professor für Informatik und Ingenieurwesen an der U-M.  Die Aufnahme von Bildern mit voller Auflösung dauert bei der stimulierten Raman-Histologie etwa 100 Sekunden; ein Bild mit geringerer Auflösung im “Schnellmodus” benötigt nur 10 Sekunden.  

Die Forscher fanden heraus, dass das Modell mit voller Auflösung eine Genauigkeit von bis zu 92 Prozent erreichte, während der schnelle Modus mit ca. 90 Prozent etwas schlechter abschnitt.

In zukünftigen Studien wollen die Forschenden den FastGlioma-Workflow auf andere Krebsarten anwenden, einschließlich Lungen-, Prostata-, Brust- sowie Kopf- und Halskrebs. 

Originalpublikation

Foundation models for fast, label-free detection of glioma infiltration | Nature

Lesen Sie auch

Gliom-Impfforschung von Michael Patten wird mit “Breakthrough oft the Year 2024” ausgezeichnet – MedLabPortal

Schonende Kraniotomie dank robotergestütztem Laserverfahren – MedLabPortal

_{Die Beiträge im News-Bereich werden erstellt vom X-Press Journalistenbüro}

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.