Clasificación de tumores del SNC de aprendizaje profundo ultrarrápido durante la cirugía

Área de la Ciencia:

• Neuro-oncología
• La inteligencia artificial en la medicina
• Medicina genómica

Sus antecedentes:

• Los tumores del sistema nervioso central (SNC) son muy letales, especialmente en los niños.
• La resección neuroquirúrgica del tumor requiere equilibrar la eliminación máxima del tumor con el daño neurológico mínimo.
• Los métodos de diagnóstico actuales, como la imagen y la histología, a menudo no son concluyentes o inexactos.

Objetivo del estudio:

• Desarrollar una red neuronal (Sturgeon) independiente del paciente y aprendida por transferencia para la subclasificación molecular de los tumores del SNC.
• Para permitir el diagnóstico rápido de tumores intraoperatorios del SNC utilizando perfiles de metilación escasos de la secuenciación de nanoporos.
• Para evaluar la precisión y la velocidad de Sturgeon en entornos quirúrgicos en tiempo real.

Principales métodos:

• Desarrollo de Sturgeon, una red neuronal entrenada en perfiles de metilación escasos.
• Utilizando secuenciación rápida de nanoporos para la adquisición de datos intraoperatorios.
• Validación de Sturgeon en casos quirúrgicos retrospectivos y en tiempo real.

Principales resultados:

• Sturgeon logró diagnósticos precisos en muestras retrospectivas de 45/50 dentro de los 40 minutos.
• En cirugías en tiempo real, Sturgeon proporcionaba diagnósticos en menos de 90 minutos.
• El 72% (18/25) de los diagnósticos en tiempo real fueron correctos, y otros no alcanzaron los umbrales de confianza.

Conclusiones:

• El diagnóstico de aprendizaje automático a través de la secuenciación intraoperatoria de bajo costo puede ayudar a la toma de decisiones neuroquirúrgicas.
• Este enfoque tiene el potencial de prevenir la comorbilidad neurológica y evitar cirugías repetidas.
• La subclasificación molecular impulsada por la IA ofrece un avance prometedor en el manejo de tumores del SNC.