Spectromique Raman sans marqueurs pilotée par l’IA pour l’évaluation peropératoire des tumeurs spinales

Des réponses plus rapides pendant la chirurgie du rachis

Lorsqu’une tumeur est détectée au niveau de la colonne vertébrale, les chirurgiens doivent souvent décider en quelques minutes de l’agressivité de l’intervention et des traitements à suivre. Aujourd’hui, ces choix reposent encore sur des analyses de laboratoire qui peuvent prendre une demi-heure dans le meilleur des cas et plusieurs jours dans le pire. Cette étude présente une nouvelle façon d’analyser en quasi‑temps réel de tout petits prélèvements de tumeurs spinales en combinant microscopie laser et intelligence artificielle, dans le but d’apporter aux chirurgiens des réponses plus nettes tant que le patient est encore sur la table d’opération.

Pourquoi obtenir un diagnostic rapide est si difficile

Les tumeurs spinales existent sous plusieurs formes courantes, notamment les méningiomes (dérivés des membranes entourant le cerveau et la moelle), les schwannomes (tumeurs de la gaine nerveuse), les épendymomes (provenant des cellules qui tapissent le canal rachidien) et les métastases (dépôts de cancers d’autres organes). Les examens d’imagerie comme l’IRM peuvent suggérer le type de tumeur, mais les aspects radiologiques se chevauchent souvent, et certains patients ne peuvent pas passer d’IRM en toute sécurité. En peropératoire, l’aspect externe de la tumeur renseigne rarement l’ensemble du diagnostic. La norme actuelle consiste à envoyer rapidement un fragment de tissu au laboratoire de pathologie, le congeler, le couper, le teindre chimiquement, puis le faire examiner par un spécialiste au microscope. Ce processus de coupe congelée est lourd en main‑d’œuvre, n’est disponible que pendant les heures ouvrables et continue de mal classer une fraction non négligeable des tumeurs spinales.

Un nouveau type de microscope numérique

Les chercheurs se sont appuyés sur une méthode d’imagerie émergente appelée histologie Raman stimulée. Plutôt que d’ajouter des colorants, cette technique éclaire le tissu frais et non traité avec une lumière laser finement accordée et enregistre la façon dont les molécules de l’échantillon vibrent en réponse. Ces signaux sont convertis en images haute résolution qui ressemblent aux lames roses et violettes familières aux pathologistes, mais qui apparaissent en quelques minutes et ne nécessitent ni coupe ni coloration. Parce que le même type de scanner portable était déjà utilisé dans plusieurs hôpitaux pour la chirurgie du cerveau, l’équipe a pu collecter des images de tumeurs spinales dans plusieurs centres en Europe et aux États‑Unis et tester un nouveau système d’analyse dans des conditions proches de celles des salles d’opération réelles.

Apprendre à une IA à reconnaître les tumeurs du rachis

Sur la base de ces images générées par laser, les auteurs ont développé une plateforme d’intelligence artificielle qu’ils appellent SpineXtract. Plutôt que d’entraîner un simple programme de reconnaissance de motifs, ils ont d’abord exposé un réseau neuronal profond à un grand ensemble varié d’images cérébrales et spinales pour lui permettre d’apprendre par lui‑même des caractéristiques visuelles générales de ce type de tissu. Ils ont ensuite ajouté un module de décision basé sur un transformeur — une architecture initialement conçue pour le traitement du langage — qui apprend à se concentrer sur les parties les plus informatives de chaque petit patch d’image. Le système complet scanne une lame entière, la découpe en centaines de patchs, attribue à chacun une probabilité d’appartenance à l’un des quatre types principaux de tumeurs spinales, puis recombine ces informations en un diagnostic global et en une carte thermique codée par couleur mettant en évidence les régions les plus diagnostiques pour les chirurgiens et les pathologistes.

Performances du système

L’équipe a testé SpineXtract sur 142 images de lames provenant de 44 patients pris en charge dans trois hôpitaux majeurs. Pour chaque patient, ils ont comparé la réponse de l’IA au diagnostic final établi quelques jours plus tard à partir des analyses de laboratoire conventionnelles. Sur les quatre types de tumeurs, le système a correctement distingué entre elles avec une exactitude équilibrée d’environ 93 %, ce qui signifie que les vrais positifs et les vrais négatifs étaient élevés. Il était particulièrement fiable pour les méningiomes et les schwannomes, approchant une performance quasi parfaite, et un peu moins certain — mais toujours nettement utile — pour les épendymomes, dont l’apparence est connue pour être plus variable. Fait crucial, les résultats étaient cohérents entre les trois institutions et entre les groupes d’âge et de sexe, suggérant que le modèle gérait les différences de composition des patients et de conditions d’imagerie. Même lorsque les chercheurs ont limité le système à une seule image par patient, l’exactitude est restée élevée, et l’ensemble du traitement, du prélèvement tissulaire à la sortie de l’IA, se terminait typiquement en moins de cinq minutes.

Pourquoi cela pourrait changer la chirurgie du rachis

Pour évaluer si une IA générale entraînée sur les tumeurs cérébrales suffirait, les auteurs ont aussi testé un classifieur existant entraîné sur des tumeurs intracrâniennes. Les performances de ce modèle ont chuté nettement sur les cas spinaux, en particulier pour les épendymomes et les métastases, soulignant la nécessité d’un outil spécifique au site. SpineXtract non seulement a surpassé ce système antérieur de plus de 15 points de pourcentage en exactitude équilibrée, mais il a aussi fourni des scores de confiance calibrés et des cartes visuelles qui signalent les cas incertains et indiquent quand davantage de tissu ou un examen d’expert est nécessaire. En termes pratiques, ce travail montre qu’associer une imagerie optique sans marqueurs à une IA soigneusement conçue peut fournir des informations rapides et précises pendant la chirurgie spinale, réduisant potentiellement les délais, améliorant les décisions opératoires et posant les bases d’outils similaires pour d’autres parties du système nerveux.

Citation: 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

Mots-clés: tumeurs spinales, diagnostic peropératoire, histologie Raman stimulée, intelligence artificielle en chirurgie, pathologie numérique