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

Snabbare svar under ryggkirurgi

När en tumör upptäcks i ryggraden måste kirurger ofta bestämma inom några minuter hur aggressivt de ska operera och vilken behandling som bör följa. I dag bygger de besluten fortfarande på laboratorietester som i bästa fall kan ta en halvtimme och i värsta fall flera dagar. Denna studie introducerar ett nytt sätt att läsa mycket små provbitar av ryggrads­tumörer nästan i realtid genom en kombination av laserbaserad mikroskopi och artificiell intelligens, med målet att ge kirurger tydligare svar medan patienten fortfarande ligger på operationsbordet.

Varför det är så svårt att få en snabb diagnos

Ryggrads­tumörer förekommer i flera vanliga former, bland annat utväxter från hjärnans och ryggmärgens hinna (meningiom), tumörer i nervhinnan (schwannom), tumörer från cellerna som klär ryggkanalen (ependymom) och spridningsmetastaser från cancer på andra ställen i kroppen. Avbildningar som MR kan ge en fingervisning om vilken typ av tumör det rör sig om, men utseendet överlappar ofta, och vissa patienter kan inte genomgå MR säkert. Under operation avslöjar tumörytan sällan hela bilden. Standardrutinen är att brådskande skicka en bit vävnad till patologilabbet, frysa och skära den, färga med kemikalier och låta en specialist granska den i mikroskop. Denna fryssnittsmetod är arbetsintensiv, endast tillgänglig under ordinarie arbetstid och felklassar fortfarande en påtaglig andel av ryggrads­tumörerna.

En ny typ av digitalt mikroskop

Forskarna byggde vidare på en framväxande avbildningsmetod som kallas stimulerad Raman-histologi. Istället för att tillsätta färgämnen belyser tekniken färsk, obearbetad vävnad med noggrant stämt laserljus och registrerar hur molekyler i provet vibrerar som svar. Dessa signaler omvandlas till högupplösta bilder som liknar de välkända rosa- och lila-färgade preparaten som patologer använder, men bilderna framställs inom minuter och kräver ingen skärning eller färgning. Eftersom samma typ av bärbar skanner redan användes på flera sjukhus vid hjärnkirurgi kunde teamet samla bilder av ryggrads­tumörer från flera centra i Europa och USA och testa ett nytt analys­system under förhållanden som liknar verkliga operationssalar.

Att lära en AI att känna igen ryggtumörer

På toppen av dessa lasergenererade bilder utvecklade författarna en artificiell intelligensplattform kallad SpineXtract. Istället för att träna ett enkelt mönsterigenkänningsprogram exponerade de först ett djupt neuralt nätverk för en stor, varierad uppsättning hjärn- och ryggradsbilder så att det självt kunde lära sig generella visuella drag för denna typ av vävnad. Sedan lade de till en transformer-baserad beslutmodul — en arkitektur som ursprungligen designades för språkbehandling — som lär sig att fokusera på de mest informativa delarna av varje liten bildruta. Hela systemet skannar en hel slide, delar upp den i hundratals rutor, tilldelar varje ruta en sannolikhet för att tillhöra en av de fyra huvudtyperna av ryggrads­tumörer och kombinerar sedan dessa till både en övergripande diagnos och en färgkodad värmekarta som framhäver de mest diagnostiska regionerna för kirurger och patologer.

Hur bra systemet presterade

Teamet testade SpineXtract på 142 slide-bilder från 44 patienter behandlade vid tre stora sjukhus. För varje patient jämförde de AI:ns svar med den slutliga diagnosen som fastställdes några dagar senare med konventionella laboratoriemetoder. Över alla fyra tumörtyperna skilde systemet korrekt mellan dem med ungefär 93 procent balanserad noggrannhet, vilket innebär att både sanna positiva och sanna negativa resultat var höga. Det var särskilt pålitligt för meningiom och schwannom, där prestandan närmade sig perfekt, och något mindre säkert — men fortfarande tydligt användbart — för ependymom, som är kända för att vara mer varierande i utseende. Avgörande var att resultaten var konsekventa över de tre institutionerna och över ålders- och könsgrupper, vilket tyder på att modellen hanterade skillnader i patientmix och avbildningsförhållanden. Även när forskarna begränsade systemet till en enda bild per patient förblev noggrannheten hög, och hela processen från vävnadsprov till AI-resultat avslutades typiskt inom fem minuter.

Varför detta kan förändra ryggrads­kirurgin

För att se om en generell AI för hjärntumörer skulle räcka testade författarna även en befintlig klassificerare tränad på intrakraniella tumörer. Den modellens prestanda sjönk avsevärt på ryggfall, särskilt för ependymom och metastaser, vilket understryker behovet av ett plats­specificerat verktyg. SpineXtract överträffade inte bara detta tidigare system med mer än 15 procentenheter i balanserad noggrannhet, det erbjöd också kalibrerade konfidenspoäng och visuella kartor som flaggar osäkra fall och antyder när mer vävnad eller expertgranskning krävs. I praktiska termer visar arbetet att en kombination av etikettfri optisk avbildning och en noggrant utformad AI kan ge snabba, korrekta insikter under ryggradsoperationer, vilket potentiellt minskar fördröjningar, förbättrar kirurgiska beslut och banar väg för liknande verktyg i andra delar av nervsystemet.

Citering: 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

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