KI-gestützte, markerfreie Raman-Spektromik für die intraoperative Beurteilung von Wirbelsäulentumoren

Schnellere Antworten während der Wirbelsäulenchirurgie

Wenn ein Tumor an der Wirbelsäule entdeckt wird, müssen Chirurgen häufig innerhalb von Minuten entscheiden, wie aggressiv sie vorgehen und welche Behandlung als Nächstes erfolgen soll. Heute beruhen diese Entscheidungen noch auf Labortests, die im besten Fall eine halbe Stunde und im schlimmsten Fall mehrere Tage dauern. Diese Studie stellt eine neue Methode vor, mit der winzige Proben von Wirbelsäulentumoren nahezu in Echtzeit gelesen werden können, indem Laser-basierte Mikroskopie und künstliche Intelligenz kombiniert werden, mit dem Ziel, Chirurgen klarere Informationen zu liefern, solange der Patient noch am OP-Tisch liegt.

Warum eine schnelle Diagnose so schwierig ist

Wirbelsäulentumoren treten in mehreren gebräuchlichen Formen auf, darunter Wucherungen der Hirn- und Rückenmarkshäute (Meningeome), Tumoren der Nervenscheide (Schwannome), Tumoren der Zellen, die den Wirbelkanal auskleiden (Ependymome), und Absiedlungen von Krebserkrankungen aus anderen Körperregionen (Metastasen). Bildgebende Verfahren wie die MRT können Hinweise auf die Tumorart geben, doch die Erscheinungsbilder überschneiden sich oft, und einige Patienten können nicht gefahrlos eine MRT erhalten. Während der Operation verrät die Oberfläche des Tumors selten die ganze Geschichte. Der aktuelle Standard besteht darin, ein Gewebestück sofort ins Pathologielabor zu schicken, es einzufrieren und zu schneiden, mit Farbstoffen zu färben und von einem Spezialisten mikroskopisch untersuchen zu lassen. Dieser Gefrierschnittprozess ist arbeitsintensiv, nur während der Arbeitszeiten verfügbar und macht dennoch bei einem bemerkenswerten Anteil der Wirbelsäulentumoren Fehldeutungen.

Eine neue Art von digitalem Mikroskop

Die Forschenden bauten auf einer aufkommenden Bildgebungsmethode namens stimulated Raman histology auf. Anstatt Farbstoffe zu verwenden, bestrahlt diese Technik frisches, unverarbeitetes Gewebe mit präzise abgestimmtem Laserlicht und zeichnet auf, wie Moleküle in der Probe als Reaktion schwingen. Diese Signale werden in hochauflösende Bilder umgewandelt, die den vertrauten rosa-violetten Objektträgern der Pathologen ähneln, aber innerhalb von Minuten erscheinen und kein Schneiden oder Färben erfordern. Da derselbe Typ tragbarer Scanner bereits in mehreren Krankenhäusern bei Hirnoperationen verwendet wurde, konnte das Team Wirbelsäulentumorbilder aus mehreren Zentren in Europa und den USA sammeln und ein neues Analysesystem unter Bedingungen testen, die denen von echten Operationssälen ähneln.

Eine KI darauf trainieren, Wirbelsäulentumoren zu erkennen

Auf Basis dieser lasererzeugten Bilder entwickelten die Autorinnen und Autoren eine Plattform für künstliche Intelligenz, die sie SpineXtract nennen. Anstatt ein einfaches Mustererkennungsprogramm zu trainieren, setzten sie zunächst ein tiefes neuronales Netz einer großen, vielfältigen Sammlung von Gehirn- und Wirbelsäulenbildern aus, damit es sich allgemeine visuelle Merkmale dieses Gewebetyps selbst aneignen konnte. Anschließend fügten sie ein transformer-basiertes Entscheidungsmodul hinzu—eine Architektur, die ursprünglich für die Sprachverarbeitung entwickelt wurde—das lernt, sich auf die informativsten Teile jedes kleinen Bildpatches zu konzentrieren. Das vollständige System scannt einen ganzen Slide, zerlegt ihn in Hunderte von Patches, weist jedem die Wahrscheinlichkeit zu, zu einer der vier wichtigsten Wirbelsäulentumorarten zu gehören, und rekombiniert diese dann zu einer Gesamtdiagnose sowie zu einer farbkodierten Heatmap, die die diagnostisch wichtigsten Regionen für Chirurginnen, Chirurgen und Pathologen hervorhebt.

Wie gut das System abschnitt

Das Team testete SpineXtract an 142 Slide-Bildern von 44 Patientinnen und Patienten, die an drei großen Kliniken behandelt wurden. Für jeden Patienten verglichen sie die Antwort der KI mit der endgültigen Diagnose, die Tage später anhand konventioneller Laborverfahren gestellt wurde. Über alle vier Tumorarten hinweg unterschied das System diese mit etwa 93 Prozent ausgeglichener Genauigkeit korrekt, was bedeutet, dass sowohl Treffer als auch richtige Ablehnungen hoch waren. Besonders zuverlässig war es bei Meningeomen und Schwannomen und erreichte nahezu perfekte Werte; bei Ependymomen, die für eine größere Variabilität im Erscheinungsbild bekannt sind, war die Sicherheit etwas geringer—aber weiterhin eindeutig nützlich. Entscheidend ist, dass die Ergebnisse über die drei Einrichtungen sowie über Alters- und Geschlechtergruppen hinweg konsistent waren, was darauf hindeutet, dass das Modell mit Unterschieden in der Patientenzusammensetzung und den Bildgebungsbedingungen umgehen kann. Selbst wenn die Forschenden das System auf ein einziges Bild pro Patient beschränkten, blieb die Genauigkeit hoch, und die gesamte Verarbeitung vom Gewebeentnahme bis zur KI-Ausgabe war typischerweise innerhalb von fünf Minuten abgeschlossen.

Warum das die Wirbelsäulenchirurgie verändern könnte

Um zu prüfen, ob eine allgemeine Hirntumor-KI ausreichen würde, testeten die Autorinnen und Autoren auch einen bestehenden Klassifikator, der auf intrakraniellen Tumoren trainiert worden war. Die Leistung dieses Modells sank bei spinalen Fällen deutlich, insbesondere bei Ependymomen und Metastasen, was die Notwendigkeit eines sitespezifischen Werkzeugs unterstreicht. SpineXtract übertraf dieses frühere System nicht nur um mehr als 15 Prozentpunkte in der ausgeglichenen Genauigkeit, sondern bot auch kalibrierte Vertrauenswerte und visuelle Karten, die unsichere Fälle markieren und anzeigen, wann mehr Gewebe oder eine Begutachtung durch Expertinnen und Experten erforderlich ist. Praktisch zeigt die Arbeit, dass die Kombination markerfreier optischer Bildgebung mit einer sorgfältig entworfenen KI während Wirbelsäulenoperationen schnelle, genaue Einsichten liefern kann, was potenziell Verzögerungen verringert, chirurgische Entscheidungen verbessert und die Grundlage für ähnliche Werkzeuge in anderen Teilen des Nervensystems legt.

Zitation: Reinecke, D., Müller, N., Meissner, AK. et al. AI-driven label-free Raman spectromics for intraoperative spinal tumor assessment. npj Digit. Med. 9, 227 (2026). https://doi.org/10.1038/s41746-025-02279-6

Schlüsselwörter: Wirbelsäulentumoren, intraoperative Diagnostik, stimulated Raman histology, Künstliche Intelligenz in der Chirurgie, digitale Pathologie