本文介绍了一项关于快速、无标记检测胶质瘤浸润的研究，该研究由Akhil Kondepudi等多名作者共同完成，发表于2025年1月9日的《Nature》期刊上。研究的主要目标是开发一种名为FastGlioma的人工智能（AI）诊断系统，用于在手术过程中快速检测胶质瘤的浸润情况。胶质瘤是一种常见的脑肿瘤，手术切除后残留的肿瘤细胞是导致早期复发和生存率下降的主要原因。因此，快速、准确地检测肿瘤浸润对于实现最大安全切除至关重要。
胶质瘤的治疗中，手术切除是主要的治疗手段之一。然而，手术中难以完全切除肿瘤浸润区域，导致术后残留肿瘤细胞的存在。尽管现代医学技术不断进步，但术后残留肿瘤的问题仍未得到有效解决。传统的显微镜分析依赖于苏木精和伊红（H&E）染色，耗时长且资源密集，难以在手术过程中实时提供结果。FastGlioma通过结合快速、无标记的光学显微镜和视觉基础模型（visual foundation models），能够在手术床边快速检测肿瘤浸润，解决了传统方法的局限性。
FastGlioma的研究流程包括以下几个步骤：
数据采集与预处理：研究使用了来自13个医疗中心的超过3000名患者的11,000多个手术标本和400万张独特的显微镜图像。这些图像通过刺激拉曼组织学（Stimulated Raman Histology, SRH）技术获取，SRH是一种快速、无标记的光学成像方法，能够在手术过程中实时获取高分辨率的组织图像。
视觉基础模型训练：FastGlioma的基础模型通过大规模的自监督学习进行预训练。研究团队开发了一种两阶段的自监督学习方法，首先通过分层自监督学习提取图像块的特征，然后通过视觉变换器（Vision Transformer）对整张切片图像进行编码。这种方法能够在不需要大量标注数据的情况下，生成高质量的图像表示。
微调与肿瘤浸润评分：为了适应肿瘤浸润检测任务，研究团队开发了一种数据高效的序数度量学习方法（Ordinal Metric Learning），通过微调基础模型来输出肿瘤浸润的评分。该方法通过最大化不同浸润程度图像之间的潜在距离，实现了对肿瘤浸润程度的准确预测。
前瞻性测试：研究在一个多中心、国际化的前瞻性测试队列中对FastGlioma进行了验证。测试队列包括220名弥漫性胶质瘤患者，结果显示FastGlioma在检测肿瘤浸润方面的平均接收者操作特征曲线下面积（AUC）达到了92.1%。FastGlioma在不同患者群体、医疗中心和胶质瘤分子亚型中均表现出色，且能够零样本泛化到其他成人和儿童脑肿瘤的诊断中。
FastGlioma在前瞻性测试中表现出色，能够准确检测和量化肿瘤浸润程度。与传统的图像引导和荧光引导手术辅助方法相比，FastGlioma在检测肿瘤浸润方面具有显著优势。特别是在低级别胶质瘤和低细胞密度的肿瘤区域，FastGlioma的表现优于其他方法。此外，FastGlioma还展示了其在其他脑肿瘤诊断中的泛化能力，表明其具有广泛的临床应用潜力。
FastGlioma的研究展示了医学基础模型在癌症治疗中的变革潜力。通过结合快速、无标记的光学成像和AI技术，FastGlioma能够在手术过程中实时提供准确的肿瘤浸润信息，帮助医生做出更精确的手术决策。这不仅提高了手术的安全性和有效性，还改善了患者的生活质量和生存率。此外，FastGlioma的成功也为其他癌症的诊断和治疗提供了新的思路，展示了AI在医学领域的广泛应用前景。
FastGlioma的成功不仅限于胶质瘤的诊断，其基础模型还可以应用于其他癌症的诊断和治疗。未来，研究团队计划将类似的FastGlioma工作流程应用于肺癌、前列腺癌、头颈癌和乳腺癌等其他癌症的诊断中，进一步推动AI在医学领域的应用。
总之，FastGlioma的研究为胶质瘤手术提供了革命性的工具，展示了AI在医学诊断和治疗中的巨大潜力。通过结合快速成像技术和先进的AI模型，FastGlioma有望在未来成为癌症手术中不可或缺的辅助工具。