Modelos de base para la detección rápida y sin etiquetas de la infiltración de gliomas

Área de la Ciencia:

• Inteligencia Artificial en Oncología
• Análisis de imágenes médicas
• Oncología quirúrgica

Sus antecedentes:

• Detectar la infiltración de glioma durante la cirugía es crucial para la resección máxima del tumor.
• El tumor residual después de la cirugía conduce a una recidiva temprana y a tasas de supervivencia reducidas.
• Los métodos actuales para la detección de glioma intraoperatorio tienen limitaciones.

Objetivo del estudio:

• Introducir FastGlioma, un modelo de base visual para la detección rápida y precisa de la infiltración del glioma.
• Evaluar el rendimiento de FastGlioma en una cohorte internacional prospectiva y multicéntrica.
• Para comparar FastGlioma con los adjuntos guiados por imagen y fluorescencia existentes.

Principales métodos:

• FastGlioma fue entrenado previamente en ~ 4 millones de imágenes de microscopía óptica sin etiqueta utilizando auto-supervisión.
• El modelo fue ajustado para proporcionar una puntuación normalizada para la infiltración tumoral en imágenes ópticas de diapositivas completas.
• En las pruebas prospectivas multicéntricas participaron 220 pacientes con glioma difuso.

Principales resultados:

• FastGlioma logró un área media bajo la curva característica de funcionamiento del receptor del 92,1% para detectar la infiltración de glioma.
• El modelo superó significativamente a los adjuntos guiados por imágenes y guiados por fluorescencia en una comparación directa (n = 129).
• El rendimiento se mantuvo consistente en diversos grupos demográficos, centros y subtipos moleculares de glioma.

Conclusiones:

• FastGlioma ofrece una solución rápida (< 10s) y precisa para la detección intraoperatoria de gliomas.
• El modelo demuestra el potencial como un complemento de propósito general para cirugías de tumores cerebrales, incluida la generalización de tiro cero a otros tipos de tumores cerebrales.
• Los modelos de fundación médica como FastGlioma tienen un potencial transformador para la IA en el cuidado del cáncer.