Narzędzie AI z Harvardu osiąga ponad 90% dokładności w różnicowaniu guzów mózgu w czasie rzeczywistym podczas operacji

Zespół badawczy kierowany przez Harvard Medical School opracował przełomowe narzędzie sztucznej inteligencji (AI), które z ponad 90% dokładnością rozróżnia agresywne guzy mózgu, takie jak glejak wielopostaciowy, od ich mniej złośliwych odpowiedników. Narzędzie to analizuje próbki tkanki bezpośrednio na sali operacyjnej, umożliwiając chirurgom precyzyjne wycięcia i natychmiastowe dostosowanie terapii. Jest to odpowiedź na krytyczną potrzebę odróżnienia glejaków od przerzutów, które często wykazują podobne cechy wizualne. Tradycyjne metody, takie jak badanie histopatologiczne materiału zamrożonego, mają swoje ograniczenia i mogą prowadzić do błędów diagnostycznych, wpływając na wyniki leczenia pacjentów.

Opracowane narzędzie AI, nazwane PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations), wykorzystuje sieci neuronowe do przetwarzania niebarwionych preparatów tkankowych, eliminując opóźnienia związane z tradycyjnym barwieniem i analizą ekspercką. W badaniach przeprowadzonych w wielu instytucjach narzędzie AI przewyższyło ludzkich patologów pod względem szybkości i niezawodności, identyfikując subtelne wzorce komórkowe i sygnatury molekularne. Dostarcza ono wyników probabilistycznych, pozwalając chirurgom na ocenę ryzyka w czasie rzeczywistym, co jest kluczowe w przypadku glejaków, gdzie całkowite usunięcie guza jest niezbędne, ale wiąże się z ryzykiem. Integracja systemu z istniejącymi procedurami chirurgicznymi stanowi krok w kierunku medycyny precyzyjnej wspomaganej przez AI.

Stworzenie tego narzędzia wymagało ogromnego zbioru danych, obejmującego ponad 10 000 obrazów z różnych grup pacjentów, co zapewnia jego solidność. Współpracownicy z Dana-Farber Cancer Institute wnieśli wkład w postaci spostrzeżeń genetycznych, korelując cechy wizualne z markerami genetycznymi. Profesor Erwin Loh podkreślił, że narzędzie „przewyższyło ludzi”, odzwierciedlając pozytywne nastroje dotyczące jego potencjału do zmniejszenia błędów diagnostycznych. W walidacji prospektywnej narzędzie AI przetwarzało próbki w czasie krótszym niż dwie minuty, co stanowi znaczące przyspieszenie w porównaniu ze standardową patologią. Fałszywe pozytywy zostały zminimalizowane dzięki iteracyjnemu szkoleniu.

Eksperci ostrzegają jednak, że technologia musi przejść przez proces regulacyjny FDA przed szerokim wdrożeniem. Wczesne doniesienia sugerują, że AI może poprawić wskaźniki przeżywalności, umożliwiając bardziej ukierunkowane terapie. Integracja z innymi systemami AI może w przyszłości stworzyć kompleksowych asystentów chirurgicznych. Nadal istnieją obawy etyczne dotyczące równego dostępu i nadmiernego polegania na algorytmach. Jak zauważył Eric Topol, udostępnianie takich modeli może przyspieszyć innowacje, jednak ludzki nadzór pozostaje kluczowy. Rozwój ten podkreśla rosnący trend w neuroonkologii, gdzie AI wypełnia luki w ludzkiej wiedzy w obliczu niedoboru patologów. Partnerstwa z firmami technologicznymi badają skalowalne wersje, potencjalnie integrując narzędzie z platformami chirurgii robotycznej. Doniesienia w NIH Director's Blog chwaliły podobne systemy za rozróżnianie tkanki nowotworowej od zdrowej. Krytycy wskazują na problemy z prywatnością danych i „czarną skrzynkę” niektórych algorytmów, wzywając do przejrzystości. Biorąc pod uwagę, że glejak wielopostaciowy dotyka tysięcy osób rocznie, to przełomowe osiągnięcie kierowane przez Harvard stanowi kluczowy krok w kierunku inteligentniejszej i bezpieczniejszej chirurgii mózgu, łącząc najnowocześniejszą technologię z wiedzą kliniczną.

Badania wskazują, że algorytmy konwolucyjnych sieci neuronowych (CNN) osiągają wysoką dokładność w analizie obrazów histopatologicznych, co potwierdzają prace nad wykrywaniem przerzutów raka piersi z dokładnością 92% oraz klasyfikacją zmian skórnych. Narzędzia oparte na AI, takie jak PICTURE, wykazują potencjał do usprawnienia diagnostyki, skracając czas analizy z dni do minut, co jest kluczowe w dynamicznych sytuacjach klinicznych. Narzędzie PICTURE wykazało dokładność powyżej 98% w rozróżnianiu glejaka od chłoniaka pierwotnego ośrodkowego układu nerwowego (PCNSL), a także zidentyfikowało próbki 67 nowotworów OUN, które nie były ani glejakami, ani chłoniakami. Posiada ono wbudowany mechanizm wykrywania niepewności, który sygnalizuje przypadki wykraczające poza jego zakres treningowy, kierując je do przeglądu przez ekspertów.