O FastGlioma detectou e calculou a quantidade de tumor restante com uma precisão média de aproximadamente 92%.
Em uma comparação de cirurgias guiadas por previsões FastGlioma ou métodos guiados por imagem e fluorescência, a tecnologia de IA perdeu tecidos tumorais residuais de alto risco apenas 3,8% das vezes – em comparação com uma taxa de erro de 25% para métodos convencionais.
Para avaliar o que resta de um tumor cerebral, o FastGlioma combina imagens ópticas microscópicas com um tipo de inteligência artificial chamada modelos de fundação. Estes são modelos de IA, como GPT-4 e DALL· E 3, treinado em conjuntos de dados massivos e diversos que podem ser adaptados a uma ampla gama de tarefas.
Para construir o FastGlioma, os investigadores pré-treinaram o modelo de base visual usando mais de 11.000 espécimes cirúrgicos e 4 milhões de campos de visão microscópicos exclusivos.
“O FastGlioma pode detectar tecido tumoral residual sem depender de procedimentos histológicos demorados e grandes conjuntos de dados rotulados em IA médica, que são escassos”, disse Honglak Lee, Ph.D., co-autor e professor de ciência da computação e engenharia da Universidade de Michigan
As imagens de resolução total levam cerca de 100 segundos para serem adquiridas, enquanto uma imagem de “modo rápido” de resolução mais baixa leva apenas 10 segundos. Mesmo assim, os pesquisadores descobriram que o modo rápido alcançou uma precisão de 90%, apenas 2% menor que a resolução total.
“Isso significa que podemos detectar a infiltração do tumor em segundos com precisão extremamente alta, o que pode informar aos cirurgiões se mais ressecção for necessária durante uma operação”, disse Hollon.
Nos últimos 20 anos, as taxas de tumor residual após a neurocirurgia não melhoraram.
Os tecidos tumorais residuais podem levar a uma pior qualidade de vida e morte precoce dos pacientes, mas também aumentam a carga sobre um sistema de saúde que prevê a necessidade de 45 milhões de procedimentos cirúrgicos anuais em todo o mundo até 2030.
O FastGlioma não é apenas uma ferramenta acessível e econômica para equipes neurocirúrgicas que operam em gliomas, mas os pesquisadores dizem que ele também pode detectar com precisão o tumor residual para vários diagnósticos de tumores não glioma, incluindo tumores cerebrais pediátricos, como meduloblastoma e ependimoma, e meningiomas.
“Esses resultados demonstram a vantagem de modelos de base visual, como o FastGlioma, para aplicações médicas de IA e o potencial de generalizar para outros cânceres humanos sem exigir um extenso retreinamento ou ajuste fino do modelo”, disse o co-autor Aditya S. Pandey, presidente do Departamento de Neurocirurgia da UM Health.
“Em estudos futuros, vamos nos concentrar na aplicação do fluxo de trabalho FastGlioma a outros tipos de câncer, incluindo câncer de pulmão, próstata, mama e cabeça e pescoço.”
