L'intelligenza artificiale distingue il glioblastoma dai tumori simili durante l'intervento chirurgico / AI Distinguishes Glioblastoma From Look-Alike Cancers During Surgery
L'intelligenza artificiale distingue il glioblastoma dai tumori simili durante l'intervento chirurgico. / AI Distinguishes Glioblastoma From Look-Alike Cancers During Surgery. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application.
Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa
In breve:
Un gruppo di ricerca guidato dalla Harvard Medical School ha sviluppato uno strumento di intelligenza artificiale in grado di distinguere in modo affidabile due tumori simili presenti nel cervello, ma con origini, comportamenti e trattamenti diversi.
Lo strumento, denominato PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations), ha distinto con una precisione pressoché perfetta il glioblastoma, il tumore cerebrale più comune ed aggressivo, dal linfoma primario del sistema nervoso centrale (PCNSL), un tumore più raro spesso confuso con il glioblastoma. Sebbene entrambi possano manifestarsi nel cervello, il glioblastoma origina dalle cellule cerebrali, mentre il PCNSL si sviluppa dalle cellule immunitarie. Le loro somiglianze al microscopio spesso portano a diagnosi errate, con gravi conseguenze per il trattamento.
Il lavoro, in parte supportato dai National Institutes of Health, è stato descritto il 29 settembre su Nature Communications. Il modello di intelligenza artificiale è pubblicamente disponibile affinché altri scienziati possano utilizzarlo e svilupparlo, ha affermato il gruppo.
Identificare correttamente tumori simili nel cervello durante l'intervento chirurgico è una delle sfide diagnostiche più ardue in neuro-oncologia, hanno affermato i ricercatori. Una diagnosi accurata mentre il paziente è ancora in sala operatoria può aiutare ad accelerare le scelte terapeutiche critiche, come ad esempio se operare e rimuovere il tessuto canceroso – come dovrebbe essere fatto con il glioblastoma – o lasciarlo lì e optare invece per radioterapia e chemioterapia, la terapia preferita per il PCNSL. Una diagnosi imprecisa o tardiva dei tumori cerebrali può portare ad interventi chirurgici non necessari ed a ritardi nel trattamento adeguato.
Ciò che rende questo strumento particolarmente prezioso è la sua capacità di essere utilizzato durante l'intervento chirurgico, fornendo informazioni essenziali in tempo reale a chirurghi e patologi.
"Il nostro modello può ridurre al minimo gli errori nella diagnosi distinguendo tra tumori con caratteristiche sovrapposte ed aiutare i medici a determinare il percorso terapeutico migliore in base alla vera identità del tumore", ha affermato l'autore principale dello studio Kun-Hsing Yu, professore associato di informatica biomedica presso il Blavatnik Institute dell'HMS e professore associato di patologia presso l'HMS Brigham and Women's Hospital.
Durante l'intervento chirurgico per tumori cerebrali, i chirurghi in genere rimuovono il tessuto tumorale per una rapida valutazione al microscopio. La valutazione viene effettuata congelando il campione in azoto liquido, che può alterare leggermente le caratteristiche cellulari, ma fornisce una valutazione rapida ed in tempo reale. Il processo richiede circa 15 minuti. Sulla base dei risultati di questa valutazione a prima vista, i chirurghi stabiliscono se rimuovere il tumore o lasciarlo in sede ed optare per radioterapia e chemioterapia. Quindi, nei giorni successivi, i patologi conducono una valutazione più dettagliata ed affidabile del campione tumorale. In circa 1 caso su 20, la diagnosi iniziale di un tumore cambia alla seconda lettura, ha affermato Yu. È proprio qui che il nuovo sistema di intelligenza artificiale potrebbe svolgere un ruolo prezioso, eliminando l'incertezza e riducendo il rischio di errore durante l'operazione quando vengono prese decisioni critiche.
"Il nostro modello mostra prestazioni affidabili su sezioni congelate durante interventi chirurgici al cervello ed in scenari con significative divergenze diagnostiche tra esperti umani", ha affermato.
Lo strumento è stato testato in cinque ospedali e ha superato sia i patologi umani che altri modelli di intelligenza artificiale. Un aspetto unico del nuovo modello è un "rilevatore di incertezza", che gli consente non solo di distinguere i tipi di cancro con elevata accuratezza, ma anche di segnalare quando il suo giudizio è incerto, una caratteristica importante per scenari medici ad alto rischio.
Il nuovo studio si basa su un lavoro precedente condotto da Yu per sviluppare un sistema di intelligenza artificiale in grado di decodificare in modo affidabile le caratteristiche molecolari di diversi tipi di gliomi.
Come PICTURE individua i sosia del cancro al cervello
Ogni anno, a più di 300.000 persone in tutto il mondo vengono diagnosticati tumori al cervello o al sistema nervoso centrale, con oltre 200.000 decessi. L'Organizzazione Mondiale della Sanità riconosce circa 109 diversi tipi di tumori al cervello ed al midollo spinale, ognuno con caratteristiche uniche, osservabili al microscopio od a livello genetico.
Distinguere accuratamente il PCNSL dal glioblastoma durante l'intervento chirurgico potrebbe consentire ai chirurghi di risparmiare tessuto cerebrale invece di rimuoverlo. I pazienti con PCNSL vengono quindi indirizzati a radioterapia e chemioterapia, i trattamenti di elezione per questo tipo di tumore. Al contrario, il glioblastoma richiede la rimozione chirurgica della maggior quantità possibile di tessuto cerebrale canceroso.
Una performance quasi perfetta
Il modello, sviluppato da Yu insieme ai co-autori dello studio Junhan Zhao e Shih-Yen Lin, è stato valutato su 2.141 vetrini di patologia cerebrale raccolti in tutto il mondo, inclusi casi rari provenienti sia da sezioni congelate che da campioni fissati in formalina. È stato progettato per individuare caratteristiche tumorali critiche, tra cui densità delle cellule tumorali, forma cellulare e presenza di necrosi.
Gli scienziati hanno testato le prestazioni di PICTURE in cinque ospedali internazionali in quattro paesi. In ogni caso, il modello di intelligenza artificiale ha superato gli strumenti di intelligenza artificiale esistenti e la tradizionale valutazione delle sezioni congelate, lo standard di cura per la tipizzazione tumorale in tempo reale.
Nei test, il modello PICTURE ha distinto correttamente il glioblastoma dal linfoma non-polmonare (PCNSL) in oltre il 98% dei casi, un livello di accuratezza che si è confermato quando testato su cinque gruppi internazionali indipendenti di pazienti. Inoltre, PICTURE ha identificato campioni appartenenti a 67 tumori del sistema nervoso centrale che non erano né gliomi né linfomi.
Il modello è stato in grado di individuare tumori non visti durante l'addestramento e, quando lo ha fatto, ha attivato un campanello d'allarme per la revisione umana. In altre parole, lo strumento sapeva quando non sapeva, ha detto Yu, e questo ha impedito al sistema di catalogare i casi poco chiari in categorie note. Questa caratteristica rende il modello unico tra gli altri sistemi di intelligenza artificiale, hanno affermato i ricercatori. In confronto, altri strumenti di intelligenza artificiale possono differenziare in modo binario, o l'uno o l'altro: la malattia A dalla malattia B. Questo è particolarmente problematico per la patologia cerebrale, ha osservato Yu, perché esistono più di 100 diversi sottotipi di tumori cerebrali e molti di essi sono relativamente rari.
PICTURE ha superato i patologi umani nei tumori cerebrali difficili da distinguere. Nei test, gli specialisti umani hanno mostrato un disaccordo significativo sulle diagnosi difficili, con alcuni tipi di tumore diagnosticati erroneamente nel 38% dei casi. PICTURE ha identificato correttamente tutti questi casi, offrendo supporto quando l'opinione degli esperti è divergente.
Lanciare PICTURE nel mondo reale
L'implementazione dello strumento potrebbe rappresentare una grande opportunità per la collaborazione uomo-IA, hanno affermato i ricercatori. Prevedono di implementare il sistema in sale operatorie e reparti di patologia come filtro iniziale per differenziare il glioblastoma dal linfoma del sistema nervoso periferico (PCNSL) ed orientare le chiamate di trattamento in sala operatoria.
L'utilizzo del modello potrebbe anche democratizzare l'accesso alla neuropatologia, un'area di competenza altamente specializzata con una carenza di specialisti ed una distribuzione disomogenea degli esperti nel Paese e nel mondo. Inoltre, lo strumento può anche essere utilizzato come strumento didattico per formare la prossima generazione di patologi a riconoscere lesioni cerebrali simili, in cui differenze critiche sono nascoste da un aspetto simile.
I ricercatori hanno osservato che la maggior parte dei campioni tumorali proveniva da pazienti bianchi, pertanto sono necessarie ulteriori ricerche per confermare l'accuratezza del modello in diverse popolazioni. E sebbene lo strumento si sia concentrato su glioblastoma e PCNSL, studi futuri potrebbero estenderlo ad altri tipi di cancro e combinarlo con dati genetici e molecolari per ottenere informazioni più approfondite.
ENGLISH
New tool helps surgeons tell apart aggressive glioblastoma from other cancers in the brain, guiding real-time treatment decisions.
At a glance:
A Harvard Medical School–led research team has developed an AI tool that can reliably tell apart two look-alike cancers found in the brain but with different origins, behaviors, and treatments.
The tool, called PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations), distinguished with near-perfect accuracy between glioblastoma — the most common and aggressive brain tumor — and primary central nervous system lymphoma (PCNSL), a rarer cancer often mistaken for glioblastoma. While both can appear in the brain, glioblastoma arises from brain cells, whereas PCNSL develops from immune cells. Their similarities under the microscope often lead to misdiagnosis, with serious consequences for treatment.
The work, supported in part by the National Institutes of Health, is described Sept. 29 in Nature Communications. The AI model is publicly available for other scientists to use and build upon, the team said.
Correctly identifying look-alike tumors in the brain during surgery is one of the toughest diagnostic challenges in neuro-oncology, the researchers said. An accurate diagnosis while the patient is still in the operating room can help expedite critical treatment choices, such as whether to operate and remove the cancerous tissue — as should be done with glioblastoma — or leave it behind and opt for radiation and chemotherapy instead, the preferred therapy for PCNSL. Inaccurate or delayed diagnosis of cancers in the brain can lead to unnecessary surgery and delays in proper treatment.
What makes the tool especially valuable is its ability to be deployed during surgery, providing critical insights in real time to surgeons and pathologists.
“Our model can minimize errors in diagnosis by distinguishing between tumors with overlapping features and help clinicians determine the best course of treatment based on a tumor’s true identity,” said study senior author Kun-Hsing Yu, associate professor of biomedical informatics in the Blavatnik Institute at HMS and HMS assistant professor of pathology at Brigham and Women’s Hospital.
During brain tumor surgery, surgeons typically remove tumor tissue for rapid evaluation under a microscope. The evaluation is done by freezing the sample in liquid nitrogen, which can distort the cellular features somewhat but provides a quick, real-time assessment. The process takes 15 minutes or so. Based on the results of this first-glance evaluation, surgeons determine whether to remove the tumor or leave it behind and opt for radiation and chemotherapy. Then, over the next few days, pathologists conduct a more detailed and more reliable evaluation of the tumor sample. In about 1 in 20 cases, the initial diagnosis of a tumor changes on second read, Yu said. This is precisely where the new AI system could play a valuable role — removing uncertainty and reducing the risk for error during operation when critical decisions are made.
“Our model shows reliable performance on frozen sections during brain surgery and in scenarios with significant diagnostic disagreement among human experts,” he said.
The tool was tested in five hospitals and outperformed both human pathologists and other AI models. A unique aspect of the new model is an “uncertainty detector,” which allows it to not only distinguish between cancer types with high accuracy but also to signal when it’s unsure in its judgment — an important feature for high-stakes medical scenarios.
The new study builds on earlier work led by Yu to develop an AI system that could reliably decode the molecular features of different types of gliomas.
How PICTURE spots brain-cancer doppelgangers
Each year, more than 300,000 people worldwide are diagnosed with tumors in the brain or central nervous system, and more than 200,000 deaths occur as a result. The World Health Organization recognizes about 109 different types of brain and spinal cord tumors, each with its own unique features under the microscope or at the genetic level.
Accurately distinguishing PCNSL from glioblastoma during surgery could allow surgeons to spare brain tissue instead of removing it. Patients with PCNSL are then referred for radiation and chemotherapy, the preferred treatments for this type of tumor. By contrast, glioblastoma requires surgical removal of as much of the cancerous brain tissue as possible.
A near PICTURE-perfect performance
The model — which Yu developed with study co-first authors Junhan Zhao and Shih-Yen Lin — was evaluated on 2,141 brain pathology slides collected worldwide, including rare cases across both frozen sections and formalin-fixed samples. It was designed to spot critical cancer features including tumor cell density, cell shape, and presence of necrosis.
The scientists tested PICTURE’s performance across five international hospitals in four countries. In every case, the AI model outperformed existing AI tools and traditional frozen-section assessment, the standard of care for real-time tumor typing.
In tests, the PICTURE model correctly distinguished glioblastoma from PCNSL more than 98 percent of the time — a level of accuracy that held up when tested in five independent international patient groups. In addition, PICTURE identified samples belonging to 67 CNS cancers that were neither gliomas nor lymphomas.
The model could spot tumors it had not seen during its training and, when it did, it raised a red flag for human review. In other words, the tool knew when it didn’t know, Yu said, and this prevented the system from pigeonholing unclear cases into known categories. This feature renders the model unique among other AI systems, the researchers said. In comparison, other AI tools can differentiate in a binary, either-or fashion — disease A versus disease B. This is especially problematic for brain pathology, Yu noted, because there are more than 100 different subtypes of brain cancers, and many of them are relatively rare.
PICTURE outperformed human pathologists in hard-to-distinguish tumors in the brain. In tests, human specialists showed significant disagreement on difficult diagnoses, with some tumor types misdiagnosed 38 percent of the time. PICTURE correctly identified all these cases, offering support when expert opinion varies.
Launching PICTURE into the real world
Deploying the tool could be a great opportunity for human-AI collaboration, the researchers said. They envision implementing the system across operating rooms and pathology departments as an initial filter to differentiate glioblastoma from PCNSL and inform in-the-OR treatment calls.
Using the model could also democratize access to neuropathology, a highly specialized area of expertise with a dearth of specialists and uneven distribution of experts across the country and world. In addition, the tool can also be used as an educational tool for training the next generation of pathologists to recognize look-alike lesions in the brain where critical differences are obscured under similar appearance.
The researchers noted that most tumor samples were obtained from white patients, so more research is needed to confirm the model’s accuracy across diverse populations. And while the tool focused on glioblastoma and PCNSL, future work could expand it to other cancer types and combine it with genetic and molecular data for deeper insights.
Da:
https://hms.harvard.edu/news/ai-distinguishes-glioblastoma-look-alike-cancers-during-surgery?utm_source=OCERMarketingCloud&utm_medium=email&utm_campaign=09.30.2025-HMNews&utm_content=AI+Distinguishes+Glioblastoma+From+Look-Alike+Cancers+During+Surgery+
Commenti
Posta un commento