脑胶质瘤治疗的一个至关重要的挑战是在手术过程中识别肿瘤浸润范围，从而实现最大范围安全切除。在手术过程中，神经外科医生通常会采用多种技术来定位残余肿瘤，但这些方法有着一定的局限。例如，术中的磁共振成像（MRI）设备，并非随处都有；而用以识别肿瘤组织的荧光成像剂，也并不适用于所有肿瘤类型。遗憾的是，如果初次手术无法彻底切除肿瘤，残留的癌性组织可能会继续生长，进而可能导致早期复发乃至生存率下降。

2024年11月13日，一项由美国加州大学旧金山分校（UCSF）和密歇根大学牵头的AI驱动模型研究，以“用于快速、无标记检测胶质瘤浸润的基础模型”为题在《Nature》杂志上发布（doi.org/10.1038/s41586-024-08169-3）。该研究介绍了一种名为FastGlioma的视觉基础模型，这是一种AI驱动的诊断工具，能够在不到10秒的时间内，准确快速地检测未经处理的新鲜手术组织中的胶质瘤浸润，帮助神经外科医生识别已扩散至周围组织的隐性癌细胞。

FastGlioma集成了激光拉曼组织学（SRH）成像技术与AI预测能力，能够评估脑肿瘤的残留情况。其中，SRH成像技术由密歇根大学研发，具有快速且高分辨率的光学成像技术，能在1~2分钟内完成床边新鲜组织样本的可视化工作。而且，SRH视觉基础模型具备的计算染色能力，可对新鲜、未经处理的癌症标本进行组织学诊断、分子标记物检测和肿瘤浸润分析。FastGlioma另一个关键组成——AI系统则是基于超过11000个肿瘤标本和400万张显微图像数据集的大规模训练，赋予了高精度分类、区分肿瘤与健康组织的能力。通过这两种技术，FastGlioma能够在10秒钟内为神经外科医生提供肿瘤组织的诊断信息，协助医生根据具体情况判断是否继续进行手术。

FastGlioma工作流程

在这项针对AI驱动技术的前瞻性、多中心、国际队列的研究中，研究团队对220名因低级别或高级别弥漫性胶质瘤而接受手术的患者所提供的新鲜、未经处理的标本进行了分析。研究结果表明，FastGlioma AI系统在检测和计算残留肿瘤时的平均准确率约为92%。与传统影像学和荧光引导方法相比，使用AI技术引导的手术漏诊率仅为3.8%，而传统方法的漏诊率接近25%。

此外，使用SRH成像技术获取全分辨率图像大约需要100秒，而在“快速模式”中，生成低分辨率图像只需10秒。全分辨率模式的准确率高达92%，相比之下，快速模式的准确率则稍低，大约为90%。

总体来看，FastGlioma与现有的手术辅助方法相比有创新性的突破，它利用AI以显微镜级别的分辨率快速识别肿瘤浸润，几乎消除了胶质瘤切除腔体内残余致密肿瘤的潜在风险。基于AI的计算机视觉及视觉基础模型能够最大程度地减少对放射学特征、对比增强或外部荧光标记的依赖，以此来优化切除范围，实现肿瘤的最大范围安全切除。