Intraoperatieve diagnose is essentieel voor veilige en effectieve zorg tijdens chirurgie voor maligniteiten. De bestaande workflow voor intraoperatieve diagnose, gebaseerd op hematoxyline- en eosinekleuring van tumorweefsel, is tijdrovend en arbeidsintensief. Bovendien is de interpretatie van intraoperatieve histologische images afhankelijk van pathologische expertise die niet bij alle operaties beschikbaar is. Een multicenterstudie in de Verenigde Staten heeft de waarde onderzocht van de combinatie van de labelvrije optische imaging methode stimulated Raman histology (SRH) en deep convolutional neural networks (CNN) voor intraoperatieve diagnose van hersentumoren. Dr. Daniel Orringer (University of Michigan, Ann Arbor) en collega’s publiceren de studie online in Nature Medicine.¹

De onderzoekers ontwikkelden CNNs die werden getraind met meer dan 2,5 miljoen SRH-images. De CNNs konden binnen 150 seconden de hersentumordiagnose voorspellen die met conventionele technieken 20 tot 30 minuten vereiste. In een prospectieve studie in drie ziekenhuizen (278 patiënten) vergeleken de onderzoekers CNN-diagnosen van histologische kenmerken die representatief waren voor histopathologische klassen van hersentumoren met die van pathologen. De CNN-gebaseerde diagnose van conventionele beelden was niet-inferieur aan die van pathologen (overall accuratesse 94,6% versus 93,9%).

De onderzoekers concluderen dat deze resultaten suggereren dat de combinatie van SRH met deep learning kan worden toegepast voor snelle voorspelling van de intraoperatieve hersentumordiagnose.

1.Hollon TC, Pandian B, Adapa AR et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nature Medicine 2020; epub ahead of print

Summary: A multicenter study in the USA combined an AI model trained over 2.5 million images with a laser-based optical imaging technique to diagnose brain cancer intraoperatively in under 150 seconds. In a clinical trial involving 278 brain tumor patients at three hospitals the diagnoses made by the model were noninferior to pathologist-based interpretation of conventional histologic images (overall accuracy 94.6% versus 93.3%).