通过激光诱导光光谱学和机器学习进行手术内脑瘤分类

科学领域:

• 神经外科 神经外科
• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.

背景情况:

• 精确的脑瘤组织及其边界的术内鉴定对于优化神经外科切除至关重要.
• 目前的方法可能涉及延迟或组织操纵,影响外科手术工作流程和患者的结果.

研究的目的:

• 评估一种新的,非破坏性的基于激光的内源性光光谱仪装置TumorID的疗效,用于快速的脑瘤样本的手术内分类.
• 使用TumorID数据评估机器学习算法的性能,以区分质瘤,脑膜瘤,垂体腺瘤和非新生脑组织.

主要方法:

• TumorID使用100mW,405nm激光进行快速 (0.5秒),无染料,非破坏性的组织样本体外扫描.
• 在46名患者的数据上训练了一个支持向量机算法来分类组织类型.
• 统计分析涉及一般化的估计方程,重点是光体排放区域 (NADH,FAD,氨酸).

主要成果:

• 机器学习模型在0.809 ± 0.002.00的接收器操作特征曲线下实现了高的多类区域.
• 中性氨酸对该模型的分类能力做出了重大贡献 (p < 0.001).
• 该系统展示了各种病理和周围的大脑组织的快速准确分类.

结论:

• 瘤ID设备在神经外科手术中显示出对实时手术内组织诊断的前景.
• 它快速区分病理的能力可以帮助手术决策和边界划定.
• 这项技术有可能提高瘤切除的完整性并改善患者的治疗结果.