新型成像系统和人工智能算法准确识别脑肿瘤
一项新的研究发现，一种将先进的光学成像与人工智能算法相结合的新方法可以准确、实时地在术中诊断脑肿瘤。
发表在自然医学1月6日，该研究检查了通过机器学习对脑肿瘤图像分类的诊断准确性，并与病理学家对传统组织学图像解释的准确性进行了比较。两种方法的结果具有可比性:基于人工智能的诊断准确率为94.6%，而基于病理学家的解释准确率为93.9%。
成像技术，刺激拉曼组织学(SRH)显示肿瘤浸润人体组织通过收集分散激光，阐明了在标准组织学图像中不常见的基本特征。
然后用人工智能处理和分析显微图像，在两分半钟内，外科医生就能看到预测的脑肿瘤诊断。使用同样的技术，在切除后，他们能够准确地检测和移除否则无法检测到的肿瘤。
“作为外科医生，我们只能根据所见行事;这项技术可以让我们看到原本看不见的东西，提高手术室的速度和准确性，并降低误诊的风险，”纽约大学格罗斯曼医学院神经外科副教授、资深作者丹尼尔·a·奥林格医学博士说，他帮助开发了SRH，并与密歇根大学的同事共同领导了这项研究。有了这种成像技术，癌症手术比以往任何时候都更安全、更有效。”
研究是如何进行的
为了构建研究中使用的人工智能工具，研究人员使用来自415名患者的250多万份样本训练了深度卷积神经网络(CNN)，将组织分为13个组织学类别，代表最常见的脑肿瘤，包括恶性胶质瘤、淋巴瘤、转移性肿瘤和脑膜瘤。
为了验证CNN的有效性，研究人员招募了278名接受脑肿瘤切除术或手术的患者癫痫手术在三所大学医学中心进行前瞻性临床试验。对患者的脑肿瘤标本进行活检，术中分成姐妹标本，并随机分配到对照组或实验组。
标本通过对照臂(目前的标准做法)被运送到病理实验室，由技术人员进行标本处理、玻片准备和病理学家进行解释，整个过程需要20-30分钟。实验臂在术中进行，从图像采集和处理到通过CNN进行诊断预测。
值得注意的是，实验组的诊断错误与对照组的错误是独特的，这表明病理学家使用新技术可以达到接近100%的准确性。该系统的精确诊断能力也有利于缺乏神经病理学专家的中心。
纽约大学格罗斯曼医学院病理科副教授、该研究的合著者Matija Snuderl医学博士说:“SRH将通过改善手术中的决策，并在缺乏训练有素的神经病理学家的医院提供专家级评估，从而彻底改变神经病理学领域。”
纽约大学朗格尼脑和脊柱肿瘤中心提供尖端治疗
Orringer博士于2019年8月加入纽约大学朗格尼分校，带来了他帮助开发的SRH技术。纽约大学朗格尼脑和脊柱肿瘤中心是第一个在东北部使用Invenio的NIO激光成像系统提供这种技术的中心。
作为该中心综合神经外科成像技术套件的最新成员，SRH与术中MRI和荧光引导手术协同工作，为纽约大学朗格尼分校的世界级神经外科医生提供高分辨率的精确指导。
“NYU Langone的神经外科长期以来一直是为我们的患者提供最先进治疗方案的领导者，”医学博士John G. Golfinos说，Joseph P. Ransohoff神经病学教授和神经外科系主任。“有了奥林杰医生的专业知识和这项改变游戏规则的技术，我们现在可以更好地为最复杂的脑肿瘤病例提供安全的手术和高质量的结果。”
这个新系统的实施是纽约大学朗格尼分校在整合方面的最新努力人工智能在临床实践中提高癌症诊断水平。纽约大学朗格尼分校珀尔马特癌症中心的研究人员和临床医生最近在肺癌、乳腺癌和癌症方面取得了长足的进步大脑肿瘤．
进一步探索
