AI-driven label-free Raman spectromics for intraoperative spinal tumor assessment

Быстрее ответы во время операций на позвоночнике

Когда в позвоночнике обнаруживают опухоль, хирургам часто приходится в считанные минуты решать, насколько агрессивно оперировать и какое лечение назначать дальше. Сегодня эти решения по-прежнему опираются на лабораторные тесты, которые в лучшем случае занимают полчаса, а в худшем — несколько дней. В этом исследовании представлен новый способ считывания крошечных образцов опухолей позвоночника почти в режиме реального времени с помощью сочетания лазерной микроскопии и искусственного интеллекта, цель которого — давать хирургам более чёткие ответы, пока пациент ещё находится на операционном столе.

Почему быстро поставить диагноз так сложно

Опухоли позвоночника встречаются в нескольких типичных формах, включая новообразования из оболочек мозга и спинного мозга (менингиомы), опухоли оболочки нерва (шванномы), опухоли из клеток, выстилающих спинной канал (эпендимомы), а также метастатические поражения из других частей тела. Такие обследования, как МРТ, могут предположить тип опухоли, но внешний вид часто пересекается, и некоторым пациентам МРТ противопоказана. Во время операции поверхность опухоли редко отражает всю картину. Текущий стандарт — срочно отправить кусочек ткани в патологоанатомическую лабораторию, заморозить и нарезать его, окрасить химическими красителями и дать специалисту оценить под микроскопом. Процесс замороженных срезов трудоёмок, доступен в основном в рабочие часы и всё ещё даёт ошибочные классификации заметной доли опухолей позвоночника.

Новый тип цифрового микроскопа

Исследователи опирались на развивающийся метод визуализации, называемый стимулированной рамановской гистологией. Вместо нанесения красителей эта техника направляет точно настроенный лазерный свет на свежую, необработанную ткань и регистрирует, как молекулы в образце вибрируют в ответ. Эти сигналы преобразуют в детализированные изображения, напоминающие привычные розово-фиолетовые слайды, которые используют патологи, но получаются в течение нескольких минут и не требуют резки или окрашивания. Поскольку аналогичные портативные сканеры уже использовались в нескольких больницах при операциях на головном мозге, команда смогла собрать изображения опухолей позвоночника из нескольких центров Европы и США и протестировать новую систему анализа в условиях, близких к реальной операционной.

Обучение ИИ распознавать опухоли позвоночника

Поверх этих лазерных изображений авторы разработали платформу искусственного интеллекта, которую назвали SpineXtract. Вместо обучения простому алгоритму сопоставления шаблонов они сначала подвергли глубокую нейронную сеть большой и разнообразной совокупности изображений головного и спинного мозга, чтобы сеть самостоятельно выучила общие визуальные признаки этой ткани. Затем добавили модуль принятия решений на основе трансформера — архитектуры, изначально разработанной для обработки языка — который учится фокусироваться на наиболее информативных частях каждого маленького фрагмента изображения. Полная система сканирует весь слайд, разбивает его на сотни фрагментов, присваивает каждому вероятность принадлежности к одному из четырёх основных типов опухолей позвоночника и затем объединяет эти данные в общий диагноз и цветовую тепловую карту, выделяющую наиболее диагностические области для хирургов и патологов.

Насколько хорошо работала система

Команда протестировала SpineXtract на 142 изображениях слайдов от 44 пациентов, лечившихся в трёх крупных больницах. Для каждого пациента они сравнивали ответ ИИ с окончательным диагнозом, поставленным через несколько дней на основании традиционных лабораторных исследований. По всем четырём типам опухолей система правильно различала их с примерно 93-процентной сбалансированной точностью, что означает высокие показатели как истинно положительных, так и истинно отрицательных результатов. Особенно надёжной она оказалась для менингиом и шванном, приближаясь к идеальной точности, и несколько менее уверенной — но всё ещё явно полезной — для эпендимом, которые известны большей вариативностью внешнего вида. Важно, что результаты были согласованы в трёх учреждениях и по группам пациентов разного возраста и пола, что указывает на способность модели справляться с различиями в составе пациентов и условиях съёмки. Даже когда исследователи ограничивали систему одним изображением на пациента, точность оставалась высокой, а весь процесс от взятия образца до вывода ИИ обычно завершался в течение пяти минут.

Почему это может изменить операции на позвоночнике

Чтобы выяснить, не подойдёт ли универсальная модель для опухолей головного мозга, авторы также протестировали существующий классификатор, обученный на внутримозговых опухолях. Производительность этой модели заметно упала на спинальных случаях, особенно для эпендимом и метастазов, подчёркивая необходимость инструмента, специфичного для локализации. SpineXtract не только превзошёл предыдущую систему более чем на 15 процентных пунктов по сбалансированной точности, но и предоставил калиброванные оценки уверенности и визуальные карты, отмечающие сомнительные случаи и указывающие, когда требуется больше ткани или экспертная проверка. Практически это показывает, что сочетание бесцветковой оптической визуализации и тщательно спроектированного ИИ может дать быстрые и точные данные во время операций на позвоночнике, потенциально сокращая задержки, улучшая хирургические решения и закладывая основы для аналогичных инструментов в других частях нервной системы.

Цитирование: 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

Ключевые слова: spinal tumors, intraoperative diagnosis, stimulated Raman histology, artificial intelligence in surgery, digital pathology