Исследователи разработали систему искусственного интеллекта, которая по образцам ткани, полученным во время операции, может определить участки мозга с наиболее высоким риском последующего рецидива глиобластомы.
В перспективе технология может помочь врачам воздействовать на такие зоны ещё до того, как новая опухоль станет заметна на МРТ.
Исследование специалистов Калифорнийского университета в Сан-Франциско (UCSF) и Мичиганского университета опубликовано 25 сентября 2026 года в научном журнале Science Advances.
Калифорнийский университет в Сан-Франциско (UCSF)
Лаборатория Machine Learning in Neurosurgery Мичиганского университета
Почему глиобластома так часто возвращается
Глиобластома — одна из наиболее агрессивных злокачественных опухолей головного мозга у взрослых.
Даже когда нейрохирургу удаётся удалить всю видимую часть опухоли, отдельные опухолевые клетки могут проникать в окружающую ткань мозга и оставаться незаметными при обычной визуальной оценке.
После операции пациенты обычно получают дополнительное противоопухолевое лечение, однако заболевание очень часто рецидивирует. В большинстве случаев первый рецидив возникает рядом с краем послеоперационной полости.
Именно поэтому исследователи пытаются определить не только наличие оставшихся опухолевых клеток, но и конкретные участки, где вероятность возвращения опухоли наиболее высока.
Ранее Medical Insider рассказывал о другом применении искусственного интеллекта при опухолях головного мозга — поиске признаков, связанных с течением глиобластомы и прогнозом заболевания.
ИИ и прогнозирование при опухолях головного мозга — Medical Insider
Ткань исследуют непосредственно во время операции
В основе нового метода лежит технология стимулированной рамановской гистологии — stimulated Raman histology (SRH).
Обычное патоморфологическое исследование требует подготовки ткани, изготовления препарата и окрашивания. SRH позволяет получить микроскопическое изображение свежего, необработанного образца менее чем за минуту.
Полученные изображения анализировала система искусственного интеллекта FastGlioma, ранее разработанная исследователями UCSF и Мичиганского университета.
FastGlioma оценивает степень проникновения опухолевых клеток в исследуемую ткань — так называемую опухолевую инфильтрацию.
В исследование вошли 80 пациентов
Авторы проанализировали материал пациентов с глиобластомой, которым проводились операции в UCSF.
Всего в исследование вошли 80 пациентов, 367 образцов ткани и более 133 тысяч микроскопических изображений.
Для создания модели использовались данные примерно 60 пациентов, а затем её отдельно проверили на образцах ещё 20 пациентов. Медианное время до рецидива в исследуемой группе составляло около 5,5 месяца.
Для каждого участка исследователи сопоставляли результат анализа ткани во время первой операции с тем, появился ли позднее рецидив опухоли в этой области.
ИИ оказался одним из наиболее информативных факторов
Сначала исследователи оценивали только показатель инфильтрации, рассчитанный FastGlioma.
Затем его объединили с другими данными пациента — клиническими характеристиками, результатами визуализации и молекулярными особенностями опухоли — и проверили несколько моделей машинного обучения.
Лучший алгоритм смог различать участки с последующим рецидивом и без него с AUC около 0,87 в обучающей группе и 0,80 в независимой проверочной группе.
AUC — это статистический показатель способности модели различать две группы. Поэтому значение 0,80 не следует интерпретировать как «80% точности».
Особенно интересно, что показатель опухолевой инфильтрации, полученный с помощью ИИ, оказался наиболее значимым отдельным предиктором рецидива в пяти из шести изученных моделей и предоставлял больше прогностической информации, чем отдельные молекулярные характеристики опухоли.
Можно определить риск буквально в нескольких миллиметрах от края опухоли
Исследователи также проверили, насколько точно система способна локализовать будущее место возвращения опухоли.
Модель сохраняла прогностическую способность при оценке рецидива в пределах 5 и 10 миллиметров от участка, из которого был взят образец ткани.
Это потенциально особенно важно для нейрохирургии.
Если во время операции система показывает, что определённый участок рядом с опухолевой полостью сильно инфильтрирован опухолевыми клетками, хирург в будущем сможет учитывать эту информацию при выборе объёма удаления — разумеется, только если дополнительная резекция безопасна и не затрагивает функционально важные зоны мозга.
Что делать, если дополнительное удаление ткани невозможно
При глиобластоме опухолевые клетки могут распространяться в участки мозга, удаление которых связано с высоким риском нарушения речи, движения или других важных функций.
Поэтому более широкая операция возможна далеко не всегда.
Авторы предполагают, что информация о зонах наиболее высокого риска в дальнейшем может использоваться и после хирургического вмешательства — например, для более прицельной лучевой терапии или локальной доставки лекарственных препаратов.
Однако такие варианты применения пока остаются потенциальными и должны быть проверены в отдельных клинических исследованиях.
На МКБ-11 ранее также рассказывали об экспериментальных подходах к лечению глиобластомы и попытках воздействовать непосредственно на опухолевую ткань.
«Укрощение» опухолевого хаоса: учёные изучают новые подходы к лечению глиобластомы — МКБ-11
Это пока не новая стандартная методика лечения
Несмотря на хорошие результаты, исследование не доказывает, что применение этой системы во время операции уже способно продлевать жизнь пациентов.
Работа показала другое: анализ свежих хирургических образцов с помощью искусственного интеллекта может помочь определить участки с повышенным риском первого рецидива.
Следующий принципиально важный этап — проверить, улучшает ли изменение хирургической, лучевой или лекарственной тактики на основании такого прогноза реальные результаты лечения: время до прогрессирования, продолжительность и качество жизни пациентов.
Исследователи подчёркивают, что одной из основных целей является именно отсрочка первого рецидива. Если это удастся подтвердить в будущих исследованиях, технология может стать частью персонализированного лечения глиобластомы.
Почему исследование важно
Сегодня МРТ показывает рецидив в основном тогда, когда опухолевый процесс уже достиг размеров, позволяющих увидеть изменения на снимках.
Новый подход пытается решить задачу раньше — предсказать, где опухоль с наибольшей вероятностью появится вновь, основываясь на микроскопических признаках её распространения уже во время первой операции.
В перспективе такой подход может связать хирургическую микроскопию, искусственный интеллект и персонализированное противоопухолевое лечение в единую систему.
Но пока речь идёт о перспективной технологии, прошедшей первоначальную клиническую проверку на сравнительно небольшой группе пациентов, а не о методе, готовом к повсеместному применению.
Источник
University of California, San Francisco (UCSF)
University of Michigan — Machine Learning in Neurosurgery Laboratory
Machine Learning in Neurosurgery Lab
Научный журнал: Science Advances
Научная публикация:
Herr S., Olshausen N., Pekmezci M. et al. Optical microscopy predictions of focal recurrence in glioblastoma. Science Advances. 2026.
DOI: 10.1126/sciadv.aec8202
Оригинальная статья в Science Advances