基于MEMS的近红外光谱与人工智能用于实时评估乳腺癌边际
Hossam Mostafa Ibrahim1, Mohamed Hisham Fouad Aref1, Mohamed K Elhadad2
1Biomedical Engineering Researcher, Egyptian Armed Forces, Cairo, Egypt.
Surgical oncology
|March 11, 2026
概括
这项研究引入了一种AI增强的散反射近红外 (DR-NIR) 光谱系统,用于快速,准确的乳腺癌边际评估. 该技术提供实时,无标签的手术内反,改善手术结果并降低再切割率.
科学领域:
- 生物医学光学 生物医学光学
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
背景情况:
- 清晰的外科边缘对于乳房保护手术的成功至关重要.
- 目前的方法,如冷断面分析是准确的,但缓慢和资源密集型.
- 需要快速,无标签和客观的替代方案来评估手术内利.
研究的目的:
- 开发和验证一个临床框架,将分散反射近红外 (DR-NIR) 光谱与机器学习 (ML) 和深度学习 (DL) 算法集成在一起.
- 为了实现实时乳腺癌诊断和手术内边缘评估.
- 为外科医生提供一个实用的,AI增强的光学工具,用于可靠的瘤边缘评估.
主要方法:
- 使用基于MEMS的DR-NIR传感器分析了34名患者的68个组织样本.
- 用线性,整体和卷积模型处理光谱数据,用于组织分类.
- 引入一种新的评估指标 (MCAS),用于临床加权的敏感性-特异性权衡.
- 开发一个基于Web的界面,供外科医生实时使用.
主要成果:
- 多个分类器,包括一个卷积神经网络 (CNN),实现了完美的区分 (精度和AUROC = 1.000).
- 在恶性和正常乳腺组织之间表现出强烈的光谱分离性.
- 超越传统指标,MCAS指标提供了对特定类别可靠性的更深入的洞察.
结论:
- 人工智能增强的DR-NIR光谱系统提供了对瘤边缘的快速,准确和可解释的手术内反.
- 便携式传感,数据驱动建模和交互式部署的结合为乳腺癌边际评估提供了实用,实时的光学解决方案.
- 这项技术有望改善手术精度和乳腺癌治疗患者的结果.
