Spettromica Raman senza marcatori guidata dall’IA per la valutazione intraoperatoria dei tumori spinali

Risposte più rapide durante gli interventi alla colonna

Quando si rileva un tumore nella colonna vertebrale, i chirurghi spesso devono decidere in pochi minuti quanto aggressivamente operare e quale trattamento seguire subito dopo. Oggi queste scelte dipendono ancora da esami di laboratorio che nel migliore dei casi richiedono mezz’ora e nel peggiore diversi giorni. Questo studio presenta un nuovo modo di leggere campioni minuscoli di tumori spinali in tempo quasi reale usando una combinazione di microscopia laser e intelligenza artificiale, con l’obiettivo di fornire ai chirurghi risposte più chiare mentre il paziente è ancora in sala operatoria.

Perché ottenere una diagnosi rapida è così difficile

I tumori spinali si presentano in diverse forme comuni, tra cui escrescenze dalla membrana che riveste cervello e midollo spinale (meningiomi), tumori della guaina nervosa (schwannomi), tumori delle cellule che rivestono il canale spinale (ependimomi) e depositi di tumori provenienti da altre parti del corpo (metastasi). Esami come la risonanza magnetica possono suggerire il tipo di lesione, ma le caratteristiche spesso si sovrappongono e alcuni pazienti non possono sottoporsi in sicurezza alla RM. Durante l’intervento, la superficie del tumore raramente rivela l’intero quadro. Lo standard attuale consiste nel portare rapidamente un pezzo di tessuto al laboratorio di patologia, congelarlo e affettarlo, colorarlo con reattivi e farlo esaminare da uno specialista al microscopio. Questo processo di sezione congelata è dispendioso in termini di lavoro, disponibile solo durante l’orario di servizio e continua a classificare in modo errato una frazione non trascurabile di tumori spinali.

Un nuovo tipo di microscopio digitale

I ricercatori si sono basati su un metodo di imaging emergente chiamato istologia Raman stimolata. Invece di aggiungere coloranti, questa tecnica illumina tessuto fresco e non trattato con luce laser calibrata e registra come le molecole del campione vibrano in risposta. Quei segnali vengono trasformati in immagini ad alta risoluzione che somigliano alle note vetrini rosa e viola usati dai patologi, ma compaiono nel giro di minuti e non richiedono taglio né colorazione. Poiché lo stesso tipo di scanner portatile era già utilizzato in diversi ospedali per la chirurgia cerebrale, il team ha potuto raccogliere immagini di tumori spinali da più centri in Europa e negli Stati Uniti e testare un nuovo sistema di analisi in condizioni simili a quelle delle sale operatorie reali.

Insegnare a un’IA a riconoscere i tumori spinali

Sopra queste immagini generate dal laser, gli autori hanno sviluppato una piattaforma di intelligenza artificiale che chiamano SpineXtract. Piuttosto che addestrare un semplice programma di riconoscimento di pattern, hanno prima esposto una rete neurale profonda a un ampio e variegato insieme di immagini cerebrali e spinali affinché apprendesse autonomamente caratteristiche visive generali di questo tipo di tessuto. Hanno poi aggiunto un modulo decisionale basato su transformer—un’architettura originariamente progettata per l’elaborazione del linguaggio—che impara a concentrarsi sulle parti più informative di ciascun piccolo tassello d’immagine. Il sistema completo scansiona un intero vetrino, lo suddivide in centinaia di tasselli, assegna a ciascuno la probabilità di appartenere a uno dei quattro principali tipi di tumore spinale e quindi ricombina queste informazioni in una diagnosi complessiva e in una mappa a colori che evidenzia le regioni più diagnostiche per chirurghi e patologi.

Come si è comportato il sistema

Il team ha testato SpineXtract su 142 immagini di vetrini provenienti da 44 pazienti trattati in tre grandi ospedali. Per ciascun paziente hanno confrontato la risposta dell’IA con la diagnosi finale ottenuta giorni dopo dagli esami di laboratorio convenzionali. Su tutti e quattro i tipi di tumore, il sistema li ha distinti correttamente con circa il 93 percento di accuratezza bilanciata, il che significa che sia i veri positivi sia i veri negativi erano elevati. È stato particolarmente affidabile per meningiomi e schwannomi, avvicinandosi a una prestazione quasi perfetta, e leggermente meno certo—ma comunque chiaramente utile—per gli ependimomi, che sono noti per la loro variabilità nell’aspetto. Fondamentale è che i risultati sono stati coerenti tra i tre istituti e tra gruppi di età e sesso diversi, suggerendo che il modello ha gestito differenze nel campione di pazienti e nelle condizioni di imaging. Anche limitando il sistema a una singola immagine per paziente, l’accuratezza è rimasta alta e l’intera elaborazione dal prelievo del tessuto all’output dell’IA si è tipicamente conclusa entro cinque minuti.

Perché questo potrebbe cambiare la chirurgia spinale

Per valutare se un’IA generale per tumori cerebrali sarebbe sufficiente, gli autori hanno anche testato un classificatore esistente addestrato su tumori intracranici. Le prestazioni di quel modello sono calate notevolmente sui casi spinali, in particolare per ependimomi e metastasi, sottolineando la necessità di uno strumento specifico per la sede. SpineXtract non solo ha superato questo sistema precedente di oltre 15 punti percentuali in accuratezza bilanciata, ma ha anche offerto punteggi di confidenza calibrati e mappe visive che segnalano i casi incerti e suggeriscono quando è necessario più tessuto o una revisione esperta. In termini pratici, il lavoro dimostra che abbinare l’imaging ottico senza marcatori a un’IA progettata con cura può fornire approfondimenti rapidi e accurati durante la chirurgia spinale, riducendo potenzialmente i ritardi, migliorando le decisioni chirurgiche e gettando le basi per strumenti simili in altre parti del sistema nervoso.

Citazione: 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

Parole chiave: tumori spinali, diagnosi intraoperatoria, istologia Raman stimolata, intelligenza artificiale in chirurgia, patologia digitale