Spektromika Ramana bez znaczników wspomagana przez SI do oceny guza kręgosłupa w czasie operacji

Szybsze odpowiedzi podczas operacji kręgosłupa

Gdy w kręgosłupie wykryje się guz, chirurdzy często muszą w ciągu kilku minut zdecydować, jak radykalnie operować i jakie leczenie zastosować dalej. Dziś te decyzje nadal opierają się na badaniach laboratoryjnych, które w najlepszym wypadku zajmują pół godziny, a w najgorszym — dni. W badaniu opisano nową metodę odczytywania drobnych próbek guzów kręgosłupa niemal w czasie rzeczywistym, wykorzystując połączenie mikroskopii laserowej i sztucznej inteligencji, z celem dostarczenia chirurgom jaśniejszych wskazówek, gdy pacjent jest jeszcze na stole operacyjnym.

Dlaczego szybka diagnoza jest tak trudna

Guzy kręgosłupa występują w kilku częstych postaciach, w tym zmiany wywodzące się z opon mózgowo-rdzeniowych (naczyniakiopochodne — meningiomy), guzy osłonki nerwów (szwannoma), guzy komórek wyściełających kanał kręgowy (ependymoma) oraz przerzuty z innych nowotworów. Badania obrazowe, takie jak rezonans magnetyczny, mogą sugerować typ guza, ale obrazy często się nakładają, a niektórzy pacjenci nie mogą bezpiecznie przejść MRI. W trakcie operacji powierzchnia guza rzadko odzwierciedla pełny obraz. Obecny standard to ekspresowe wysłanie fragmentu tkanki do pracowni patologicznej, szybkie zamrożenie i pocięcie, zabarwienie chemiczne oraz ocenę przez specjalistę pod mikroskopem. Proces ciętych mrozowo preparatów jest pracochłonny, dostępny tylko w godzinach pracy i i tak błędnie klasyfikuje znaczącą część guzów kręgosłupa.

Nowy rodzaj mikroskopu cyfrowego

Badacze rozwinęli pojawiającą się metodę obrazowania zwaną stymulowaną histologią Ramana. Zamiast stosować barwienia, technika ta pada na świeżą, nieprzetworzoną tkankę precyzyjnie dobranym światłem laserowym i rejestruje, jak cząsteczki w próbce drgają w reakcji. Sygnały te przekształca się w obrazy o wysokiej rozdzielczości przypominające znajome różowo-fioletowe skrawki używane przez patologów, ale powstają w ciągu minut i nie wymagają cięcia ani barwienia. Ponieważ ten sam typ przenośnego skanera był już używany w kilku szpitalach przy operacjach mózgu, zespół mógł zebrać obrazy guzów kręgosłupa z wielu ośrodków w Europie i USA i przetestować nowy system analityczny w warunkach zbliżonych do sal operacyjnych.

Nauczanie SI rozpoznawania guzów kręgosłupa

Na bazie tych obrazów generowanych laserowo autorzy opracowali platformę sztucznej inteligencji nazwaną SpineXtract. Zamiast trenować prosty program dopasowujący wzorce, najpierw wystawili głęboką sieć neuronową na dużą, zróżnicowaną pulę obrazów mózgu i kręgosłupa, by nauczyła się ogólnych cech wizualnych tego typu tkanek. Następnie dodali moduł decyzyjny oparty na transformatorze — architekturze pierwotnie zaprojektowanej do przetwarzania języka — który uczy się skupiać na najbardziej informatywnych częściach każdego małego fragmentu obrazu. Pełny system skanuje cały preparat, dzieli go na setki fragmentów, przypisuje każdemu prawdopodobieństwo przynależności do jednego z czterech głównych typów guzów kręgosłupa, a potem łączy te oceny w diagnozę ogólną oraz kolorowaną mapę cieplną wskazującą najbardziej diagnostyczne obszary dla chirurgów i patologów.

Jak dobrze system działał

Zespół przetestował SpineXtract na 142 obrazach preparatów od 44 pacjentów leczonych w trzech dużych szpitalach. Dla każdego pacjenta porównano odpowiedź SI z ostateczną diagnozą postawioną dni później na podstawie konwencjonalnych badań laboratoryjnych. We wszystkich czterech typach guzów system poprawnie je rozróżniał z około 93-procentową zbalansowaną dokładnością, co oznacza wysokie wskaźniki zarówno prawdziwych trafień, jak i prawdziwych odrzuceń. Był szczególnie niezawodny w przypadku meningiom i schwannom, osiągając niemal idealne wyniki, a nieco mniej pewny — lecz wciąż wyraźnie użyteczny — w przypadku ependymom, które są znane z większej zmienności wyglądu. Co istotne, wyniki były spójne w trzech instytucjach oraz w różnych grupach wieku i płci, co sugeruje, że model radził sobie z różnicami w mieszance pacjentów i warunkach obrazowania. Nawet gdy ograniczono system do jednego obrazu na pacjenta, dokładność pozostała wysoka, a cały proces od pobrania tkanki do wyniku SI typowo kończył się w ciągu pięciu minut.

Dlaczego to może zmienić chirurgię kręgosłupa

Aby sprawdzić, czy ogólny system dla guzów mózgu wystarczy, autorzy przetestowali też istniejący klasyfikator trenowany na guzach śródczaszkowych. Wydajność tego modelu znacząco spadła w przypadkach kręgosłupa, zwłaszcza dla ependymom i przerzutów, podkreślając potrzebę narzędzia specyficznego dla lokalizacji. SpineXtract nie tylko przewyższał ten wcześniejszy system o ponad 15 punktów procentowych w zbalansowanej dokładności, lecz także dostarczał skalibrowane współczynniki ufności i mapy wizualne, które sygnalizują przypadki niepewne i sugerują, kiedy potrzebna jest większa ilość tkanki lub ocena ekspercka. W praktycznym wymiarze praca pokazuje, że połączenie obrazowania optycznego bez użycia znaczników z dobrze zaprojektowaną SI może dostarczyć szybkie, dokładne informacje podczas operacji kręgosłupa, potencjalnie skracając opóźnienia, poprawiając decyzje chirurgiczne i tworząc podstawy dla podobnych narzędzi w innych częściach układu nerwowego.

Cytowanie: 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

Słowa kluczowe: guzy kręgosłupa, diagnostyka śródoperacyjna, stymulowana histologia Ramana, sztuczna inteligencja w chirurgii, patologia cyfrowa