AI-gestuurde label-vrije Raman-spectromics voor intraoperatieve beoordeling van spinale tumoren

Snellere antwoorden tijdens wervelkolomoperaties

Wanneer er een tumor in de wervelkolom wordt gevonden, moeten chirurgen vaak binnen enkele minuten beslissen hoe ingrijpend te opereren en welke behandeling daarna moet volgen. Vandaag de dag hangen die keuzes nog steeds af van laboratoriumtests die in het beste geval een half uur kosten en in het slechtste geval dagen. Deze studie introduceert een nieuwe manier om kleine weefselmonsters van spinale tumoren bijna in realtime te lezen met een combinatie van lasergestuurde microscopie en kunstmatige intelligentie, met als doel chirurgen duidelijkere antwoorden te geven terwijl de patiënt nog op de operatietafel ligt.

Waarom een snelle diagnose zo moeilijk is

Spinale tumoren komen in meerdere veelvoorkomende vormen voor, waaronder gezwellen uit de bekleding van hersenen en ruggenmerg (meningiomen), tumoren van het zenuwschedeweefsel (schwannomen), tumoren van de cellen die het wervelkanaal bekleden (ependymomen) en uitzaaiingen van kankers elders in het lichaam (metastasen). Beelden zoals MRI kunnen aanwijzingen geven welk type tumor aanwezig is, maar verschijningsvormen overlappen vaak en sommige patiënten kunnen niet veilig een MRI ondergaan. Tijdens de operatie vertelt het oppervlak van de tumor zelden het hele verhaal. De huidige standaard is om een stukje weefsel naar het pathologielaboratorium te sturen, het in te vriezen en te snijden, te kleuren met chemicaliën en door een specialist onder de microscoop te laten beoordelen. Dit frozen-section-proces is arbeidsintensief, alleen beschikbaar tijdens kantooruren en het classificeert nog steeds een aanzienlijke fractie van spinale tumoren onjuist.

Een nieuw soort digitale microscoop

De onderzoekers bouwden voort op een opkomende beeldvormingstechniek die gestimuleerde Raman-histologie wordt genoemd. In plaats van kleurstoffen toe te voegen, schijnt deze techniek zorgvuldig afgestemd laserlicht op vers, onverwerkt weefsel en registreert hoe moleculen in het monster trillen als reactie. Die signalen worden omgezet in hoogresolutiebeelden die lijken op de vertrouwde roze-en-paarse preparaten die pathologen gebruiken, maar ze verschijnen binnen enkele minuten en vereisen geen snijden of kleuren. Omdat hetzelfde type draagbare scanner al in meerdere ziekenhuizen voor hersenchirurgie werd gebruikt, kon het team beelden van spinale tumoren verzamelen uit meerdere centra in Europa en de Verenigde Staten en een nieuw analysesysteem testen onder omstandigheden die vergelijkbaar zijn met echte operatiekamers.

Een AI leren spinale tumoren te zien

Op basis van deze met lasers gegenereerde beelden ontwikkelden de auteurs een kunstmatige-intelligentiemodel dat zij SpineXtract noemen. In plaats van een eenvoudig patroonherkenningsprogramma te trainen, stelden ze eerst een diep neuraal netwerk bloot aan een grote, gevarieerde set van hersen- en wervelkolombeelden zodat het zichzelf algemene visuele kenmerken van dit type weefsel kon aanleren. Daarna voegden ze een transformer-gebaseerde beslissingsmodule toe—een architectuur die oorspronkelijk voor taalverwerking is ontworpen—die leert zich te concentreren op de meest informatieve delen van elk klein beeldpatch. Het volledige systeem scant een hele slide, verdeelt deze in honderden patches, kent aan elk de waarschijnlijkheid toe dat het bij een van de vier belangrijkste types spinale tumoren hoort, en combineert die vervolgens tot zowel een algemene diagnose als een kleurgecodeerde heatmap die de meest diagnostische regio’s voor chirurgen en pathologen benadrukt.

Hoe goed het systeem presteerde

Het team testte SpineXtract op 142 slidebeelden van 44 patiënten behandeld in drie grote ziekenhuizen. Voor elke patiënt vergeleken ze het AI-antwoord met de definitieve diagnose die dagen later op basis van conventionele laboratoriumtests werd gesteld. Over alle vier tumortypes wist het systeem ze met ongeveer 93 procent gebalanceerde nauwkeurigheid correct te onderscheiden, wat betekent dat zowel de ware positieven als de ware negatieven hoog waren. Het was vooral betrouwbaar voor meningiomen en schwannomen, met bijna perfecte prestaties, en iets minder zeker—maar nog steeds duidelijk nuttig—voor ependymomen, die bekend staan als visueel variabeler. Cruciaal was dat de resultaten consistent waren tussen de drie instellingen en over leeftijds- en geslachtsgroepen heen, wat suggereert dat het model om kon gaan met verschillen in patiëntsamenstelling en beeldgevingsomstandigheden. Zelfs wanneer de onderzoekers het systeem tot één beeld per patiënt beperkten, bleef de nauwkeurigheid hoog, en alle verwerking van weefselafname tot AI-uitvoer was doorgaans binnen vijf minuten voltooid.

Waarom dit de wervelkolomchirurgie kan veranderen

Om te onderzoeken of een algemene hersentumor-AI volstond, testten de auteurs ook een bestaande classifier die op intracraniale tumoren was getraind. De prestatie van dat model daalde duidelijk bij spinale gevallen, vooral voor ependymomen en metastasen, wat het belang van een locatiespecifiek hulpmiddel onderstreept. SpineXtract presteerde niet alleen meer dan 15 procentpunten beter in gebalanceerde nauwkeurigheid dan dat eerdere systeem, het bood ook gekalibreerde betrouwbaarheidscores en visuele kaarten die twijfelachtige gevallen markeren en aangeven wanneer meer weefsel of deskundig heronderzoek nodig is. Praktisch gezien toont dit werk aan dat het combineren van label-vrije optische beeldvorming met een zorgvuldig ontworpen AI snelle, nauwkeurige inzichten kan leveren tijdens spinale chirurgie, mogelijk vertragingen kan verminderen, chirurgische beslissingen kan verbeteren en een basis kan leggen voor vergelijkbare hulpmiddelen in andere delen van het zenuwstelsel.

Bronvermelding: 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

Trefwoorden: spinale tumoren, intraoperatieve diagnose, gestimuleerde Raman-histologie, kunstmatige intelligentie in chirurgie, digitale pathologie