Framework AI Data-Centric Migliora la Guida alla Chirurgia del Glioma tramite Imaging a Lifetime di Fluorescenza

Un nuovo framework AI incentrato sui dati migliora significativamente l'imaging a lifetime di fluorescenza (FLIm) intraoperatorio per guidare gli interventi chirurgici sul glioma. I ricercatori hanno creato un robusto classificatore multiclasse per i margini di resezione del glioblastoma (GBM) combinando apprendimento confidente (CL), raffinamento delle classi e valutazione mirata delle etichette. Sono stati raccolti dati da 192 margini tissutali di 31 pazienti con GBM IDH-wildtype di nuova diagnosi. Inizialmente, un neuropatologo esperto ha categorizzato i dati in sette classi di cellularità tumorale. CL ha valutato la confidenza a livello di punto FLIm, rilevato incongruenze di etichettatura e facilitato la fusione delle classi in un sistema semplificato a tre classi (cellularità "bassa", "moderata" e "alta"). Questo metodo affronta problemi legati alla diversità biologica, allo squilibrio delle classi e alla variabilità dell'etichettatura istopatologica, con l'obiettivo di migliorare il contrasto biochimico in tempo reale e senza etichetta per una resezione tumorale ottimale, preservando al contempo il tessuto cerebrale funzionale.