Espectromica Raman sem marcadores impulsionada por IA para avaliação intraoperatória de tumores da coluna

Respostas mais rápidas durante cirurgia da coluna

Quando um tumor é identificado na coluna, os cirurgiões frequentemente precisam decidir em minutos quão agressiva deve ser a operação e qual tratamento seguirá em seguida. Hoje, essas escolhas ainda dependem de exames laboratoriais que podem levar meia hora no melhor dos casos e dias no pior. Este estudo apresenta uma nova forma de ler pequenas amostras de tumores espinhais em tempo quase real, usando uma combinação de microscopia a laser e inteligência artificial, com o objetivo de oferecer aos cirurgiões respostas mais claras enquanto o paciente ainda está na mesa cirúrgica.

Por que obter um diagnóstico rápido é tão difícil

Os tumores espinhais aparecem em várias formas comuns, incluindo crescimentos a partir das camadas que revestem o cérebro e a medula espinhal (meningiomas), tumores da bainha nervosa (schwannomas), tumores das células que revestem o canal espinhal (ependimomas) e depósitos de cânceres originados em outras partes do corpo (metástases). Exames como a ressonância magnética podem sugerir o tipo de tumor presente, mas as aparências frequentemente se sobrepõem, e alguns pacientes não podem fazer ressonância com segurança. Durante a cirurgia, a superfície do tumor raramente revela toda a informação. O padrão atual é enviar rapidamente um fragmento de tecido ao laboratório de patologia, congelá-lo e cortá-lo, tingi-lo com corantes e fazer com que um especialista o examine ao microscópio. Esse processo de congelamento e corte é trabalhoso, disponível apenas em horário comercial e ainda classifica errado uma fração notável de tumores espinhais.

Um novo tipo de microscópio digital

Os pesquisadores se basearam em um método de imagem emergente chamado histologia Raman estimulada. Em vez de adicionar corantes, essa técnica ilumina o tecido fresco e não processado com um feixe de laser cuidadosamente calibrado e registra como as moléculas da amostra vibram em resposta. Esses sinais são convertidos em imagens de alta resolução que se assemelham aos tradicionais cortes corados que os patologistas usam, mas aparecem em minutos e não exigem corte ou coloração. Como o mesmo tipo de scanner portátil já vinha sendo usado em vários hospitais para cirurgia cerebral, a equipe pôde coletar imagens de tumores espinhais de múltiplos centros na Europa e nos Estados Unidos e testar um novo sistema de análise em condições semelhantes às das salas de operação reais.

Ensinando uma IA a identificar tumores da coluna

Sobre essas imagens geradas por laser, os autores desenvolveram uma plataforma de inteligência artificial que chamam de SpineXtract. Em vez de treinar um programa simples de reconhecimento de padrões, primeiro expuseram uma rede neural profunda a um grande e variado conjunto de imagens cerebrais e espinhais para que ela aprendesse por si mesmas características visuais gerais desse tipo de tecido. Em seguida, adicionaram um módulo de decisão baseado em transformador—uma arquitetura originalmente projetada para processamento de linguagem—que aprende a focar nas partes mais informativas de cada pequeno fragmento de imagem. O sistema completo escaneia uma lâmina inteira, a divide em centenas de fragmentos, atribui a cada um a probabilidade de pertencer a um dos quatro principais tipos de tumor espinhal e então recombina essas probabilidades em um diagnóstico geral e em um mapa de calor codificado por cores, destacando as regiões mais diagnósticas para cirurgiões e patologistas.

Desempenho do sistema

A equipe testou o SpineXtract em 142 imagens de lâminas de 44 pacientes tratados em três hospitais importantes. Para cada paciente, compararam a resposta da IA com o diagnóstico final obtido dias depois por exames laboratoriais convencionais. Considerando os quatro tipos de tumor, o sistema distinguiu corretamente entre eles com cerca de 93% de acurácia balanceada, o que significa que tanto os verdadeiros positivos quanto os verdadeiros negativos foram altos. Foi especialmente confiável para meningiomas e schwannomas, aproximando-se do desempenho perfeito, e um pouco menos preciso—mas ainda claramente útil—para ependimomas, que são conhecidos por ter aparência mais variável. Crucialmente, os resultados foram consistentes entre as três instituições e entre faixas etárias e sexos, sugerindo que o modelo lidou bem com diferenças na composição dos pacientes e nas condições de imagem. Mesmo quando os pesquisadores limitaram o sistema a uma única imagem por paciente, a acurácia permaneceu alta, e todo o processamento desde a amostragem do tecido até a saída da IA tipicamente era concluído em até cinco minutos.

Por que isso pode transformar a cirurgia da coluna

Para avaliar se uma IA geral para tumores cerebrais seria suficiente, os autores também testaram um classificador existente treinado em tumores intracranianos. O desempenho desse modelo caiu significativamente nos casos espinhais, especialmente para ependimomas e metástases, ressaltando a necessidade de uma ferramenta específica para o local. O SpineXtract não apenas superou esse sistema anterior por mais de 15 pontos percentuais em acurácia balanceada, como também ofereceu pontuações de confiança calibradas e mapas visuais que sinalizam casos incertos e indicam quando mais tecido ou revisão por especialistas é necessária. Em termos práticos, o trabalho mostra que emparelhar imagens ópticas sem marcadores com uma IA cuidadosamente projetada pode fornecer insights rápidos e precisos durante a cirurgia espinhal, potencialmente reduzindo atrasos, melhorando decisões cirúrgicas e abrindo caminho para ferramentas semelhantes em outras partes do sistema nervoso.

Citação: 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

Palavras-chave: tumores espinhais, diagnóstico intraoperatório, histologia Raman estimulada, inteligência artificial em cirurgia, patologia digital