En 10 secondes, un modèle d'IA détecte une tumeur cérébrale cancéreuse souvent manquée lors d'une intervention chirurgicale
infohightech ·
Des chercheurs ont développé un modèle alimenté par l'IA qui, en 10 secondes, peut déterminer pendant une opération chirurgicale si une partie d'une tumeur cérébrale cancéreuse qui pourrait être retirée demeure, suggère une étude publiée dans Nature .
La technologie, appelée FastGlioma, a largement surpassé les méthodes conventionnelles d'identification de ce qui reste d'une tumeur, selon l'équipe de recherche dirigée par l'Université du Michigan et l'Université de Californie à San Francisco.
« 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, MD, neurochirurgien à l'Université du Michigan Health et professeur adjoint de neurochirurgie à l'UM Medical School.
« Cette technologie fonctionne plus rapidement et avec plus de précision que les méthodes de soins standard actuelles pour la détection des tumeurs et pourrait être généralisée à d’autres diagnostics de tumeurs cérébrales chez l’enfant et l’adulte. Elle pourrait servir de modèle fondamental pour guider la chirurgie des tumeurs cérébrales. »
Lorsqu'un neurochirurgien retire une tumeur potentiellement mortelle du cerveau d'un patient, il est rarement en mesure de retirer la masse entière. Ce qui reste est appelé tumeur résiduelle.
Il arrive souvent que la tumeur ne soit pas détectée lors de l’opération, car les chirurgiens ne sont pas en mesure de faire la différence entre un cerveau sain et une tumeur résiduelle dans la cavité où la masse a été retirée.
La tumeur résiduelle peut ressembler à un cerveau sain, ce qui reste un défi majeur en chirurgie.
Les équipes neurochirurgicales utilisent différentes méthodes pour localiser cette tumeur résiduelle au cours d’une intervention.
Ils peuvent subir une imagerie par IRM, qui nécessite un équipement peropératoire qui n’est pas disponible partout.
Le chirurgien peut également utiliser un agent d’imagerie fluorescent pour identifier le tissu tumoral, ce qui n’est pas applicable à tous les types de tumeurs.
Ces limitations empêchent leur utilisation généralisée.
Cela signifie que nous pouvons détecter l'infiltration tumorale en quelques secondes avec une précision extrêmement élevée, ce qui pourrait informer les chirurgiens si une résection supplémentaire est nécessaire au cours d'une opération.
-Dr Todd Hollon
Dans cette étude internationale sur la technologie pilotée par l’IA, les équipes neurochirurgicales ont analysé des échantillons frais et non traités prélevés sur 220 patients ayant subi des opérations pour un gliome diffus de bas ou de haut grade. FastGlioma a détecté et calculé la quantité de tumeur restante avec une précision moyenne d'environ 92 %.
Dans une comparaison des chirurgies guidées par les prédictions FastGlioma ou par les méthodes guidées par l'image et la fluorescence, la technologie d'IA n'a manqué une tumeur résiduelle à haut risque que dans 3,8 % des cas, contre un taux d'échec de près de 25 % pour 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, MD, professeur de neurochirurgie à l'Université de Californie à San Francisco et ancien résident en neurochirurgie à UM Health.
« Le développement de FastGlioma peut minimiser le recours à l'imagerie radiographique, au rehaussement de contraste ou aux marqueurs fluorescents pour obtenir une élimination maximale de la tumeur. »
Comment ça marche
Pour évaluer ce qui reste d’une tumeur cérébrale, FastGlioma combine l’imagerie optique microscopique avec un type d’intelligence artificielle appelé modèles de fondation.
Il s’agit de modèles d’IA, tels que GPT-4 et DALL·E 3, formés sur des ensembles de données massifs et diversifiés qui peuvent être adaptés à un large éventail de tâches.
Après une formation à grande échelle, les modèles de base peuvent classer les images, agir comme des chatbots, répondre aux e-mails et générer des images à partir de descriptions textuelles.
Pour créer FastGlioma, les chercheurs ont pré-entraîné le modèle de fondation visuelle en utilisant plus de 11 000 échantillons chirurgicaux et 4 millions de champs de vision microscopiques uniques.
Les échantillons tumoraux sont imagés par histologie Raman stimulée, une méthode d'imagerie optique rapide et haute résolution développée à l'UM.
La même technologie a été utilisée pour former DeepGlioma, un système de dépistage diagnostique basé sur l'IA qui détecte les mutations génétiques d'une tumeur cérébrale en moins de 90 secondes.
« 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 déclaré Honglak Lee, Ph.D., co-auteur et professeur d'informatique et d'ingénierie à l'UM.
Les images en pleine résolution prennent environ 100 secondes à acquérir en utilisant l'histologie Raman stimulée ; une image en « mode rapide » de résolution inférieure ne prend que 10 secondes.
Les chercheurs ont constaté que le modèle à pleine résolution atteignait une précision allant jusqu'à 92 %, le mode rapide étant légèrement inférieur, à environ 90 %.
« Cela signifie que nous pouvons détecter l'infiltration tumorale en quelques secondes avec une précision extrêmement élevée, ce qui pourrait informer les chirurgiens si une résection supplémentaire est nécessaire au cours d'une opération », a déclaré Todd Hollon.
L'avenir de l'IA dans le domaine du cancer
Au cours des 20 dernières années, les taux de tumeur résiduelle après neurochirurgie ne se sont pas améliorés.
Non seulement la tumeur résiduelle entraîne une dégradation de la qualité de vie et un décès prématuré pour les patients, mais elle augmente également la charge pesant sur un système de santé qui prévoit 45 millions d’interventions chirurgicales annuelles nécessaires dans le monde d’ici 2030 .
Les initiatives mondiales de lutte contre le cancer ont recommandé d’intégrer de nouvelles technologies , notamment des méthodes 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 noté que « le besoin d’approches rentables... pour traiter les marges chirurgicales en chirurgie du cancer constitue un puissant moteur pour de nouvelles technologies ».
Non seulement FastGlioma est un outil accessible et abordable pour les équipes neurochirurgicales opérant sur des gliomes, mais les chercheurs affirment qu'il peut également détecter avec précision la tumeur résiduelle pour plusieurs diagnostics de tumeurs non gliomateuses, y compris les tumeurs cérébrales pédiatriques, telles que le médulloblastome et 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 déclaré le co-auteur Aditya S. Pandey, MD, président du département de neurochirurgie à UM Health.
« Dans les études futures, nous nous concentrerons sur l'application du flux de travail FastGlioma à d'autres cancers, notamment les cancers du poumon, de la prostate, du sein et de la tête et du cou. »