Schnelle intraoperative Tumorerkennung mit stimulierter Raman-Histologie bei spinalen tumoren

Abstract-Text deutsch

Einleitung: Die schnelle intraoperative histologische Beurteilung von Gewebeproben ist ein wesentliches Instrument für die chirurgische Entscheidungsfindung. Der "Schnellschnitt" und die Färbung mit Hämatoxylin und Eosin (H&E) sind derzeit der Goldstandard hierfür. In aktuellen Arbeiten wurde eine Alternative vorgestellt.[1,2] Hierbei werden mittels stimulierter Raman-Histologie (SRH) digitale Bilder erzeugt welche anschließend durch einen Algorithmus basierend auf einem Convolutional Neuralem Netzwerk (CNN) analysiert werden. Für intrakranielle Läsionen ist so eine einfache und schnelle Klassifikation von Tumoren innerhalb von wenigen Minuten möglich.[1,2] Wir haben kürzlich ein neues CNN zur Unterscheidung von Tumor- und Nicht-Tumor-SRH-Proben bei intrakraniellen Läsionen entwickelt. In dieser Arbeit soll untersucht werden, ob dieser für intrakranielle Tumoren validierte Algorithmus auch bei spinalen Tumoren angewendet werden kann.

Methoden: Kleine humane Wirbelsäulentumor-Gewebeproben (1-3 mm3) für die SRH wurden parallel zur regulären pathologischen Beurteilung entnommen und auf einen histologischen Objektträger gepresst, so dass eine flache Gewebeschicht von max. 10 mm2 entstand. Zufällige Bereiche von 2x2 mm innerhalb der Probe wurden für die SRH-Analyse ausgewählt und anschließend mit dem CNN untersucht. Die pathologische Diagnose wurde in einem typischen klinischen Ablauf erstellt. Die CNN-basierten Vorhersagen wurden mit der endgültigen pathologischen Diagnose verglichen.

Ergebnisse: Es wurden 39 Patienten eingeschlossen, die aufgrund eines spinalen Tumors operiert wurden. Von diesen wurden 105 SRH-Proben generiert. Das CNN klassifizierte 85,7 % der Proben korrekt als Tumor, 14 % der Proben wurden als "Tumor nicht auszuschließen" klassifiziert, 0,3 % wurden korrekt als "niedrige Qualität" eingestuft und keine Probe wurde fälschlicherweise als "kein Tumor" eingestuft.

Diskussion:

Die SRH-basierte schnelle intraoperative histologische Beurteilung von Gewebeproben hat großes Potenzial, um eine schnelle histologische Rückmeldung zu erhalten und kann zur intraoperativen Entscheidungsfindung beitragen. Zusammen mit dem entwickelten CNN kann dieser Arbeitsablauf zuverlässig und unabhängig von Tumorentität und konventionellem "Schnellschnitt" das Vorhandensein eines Tumors erkennen und so den Chirurgen bei einer vollständigen Tumorresektion unterstützen. Zukünftige Entwicklungen könnten analog zu dem für intrakranielle Läsionen entwickelten Klassifikations-CNN eine unmittelbare Entitätsbestimmung ermöglichen.[1].

Referenzen:

1.Hollon, T.C.; et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nat Med 2020, 26, 52-58, doi:10.1038/s41591-019-0715-9.

2.Orringer, D.A.et al. Rapid intraoperative histology of unprocessed surgical specimens via fibre-laser-based stimulated Raman scattering microscopy. Nature Biomedical Engineering 2017, 1, 0027, doi:10.1038/s41551-016-0027.

Abstract-Text englisch

Introduction: Rapid intraoperative histological tissue sample assessment is an essential tool that guides surgical decision making. While fresh frozen tissue samples and hematoxylin & eosin (H&E) staining are currently the gold standard, recent works have introduced machine learning based deep convolutional neural network (CNN) analysis of label-free stimulated Raman histology (SRH) samples as a simple, fast alternative for fresh frozen samples in cranial lesions, enabling the surgeon to acquire a result within minutes.[1,2] We recently developed a new CNN to distinguish tumor and non-tumor SRH-samples in intracranial lesions. This work aims to investigate whether this algorithm validated for intracranial tumors can be applied in spinal tumors as well.

 

Methods: Small human spinal tumor tissue samples (1-3mm3) for SRH were acquired parallel to the regular pathological assessment and squeezed onto a histological slide resulting in a flat tissue layer of max. 10 mm2. Random areas of 2x2 mm within the sample were chosen for SRH analysis and the CNN was run afterwards. The pathological diagnosis was made in a typical routine workflow. CNN-based predictions were compared to final pathological diagnosis.

 

Results: 39 patients who underwent surgery for a spinal tumor were included. Of these, 105 SRH samples were generated. The CNN correctly classified 85.7% samples as tumor, 14% images were classified as "cannot exclude tumor", 0.3% was correctly labeled as "low quality" and no sample was incorrectly labeled as "no tumor".

 

Discussion:

SRH based rapid intraoperative histological tissue sample assessment has great potential as a tool to generate fast histological feedback and to support intraoperative decision making. Together with the developed CNN this workflow can reliably detect the presence of tumor independent of tumor entity and conventional H&E frozen samples. Next to aiding the surgeon to achieve gross total resection, future developments could enable machine learning based tumor classification analogous to the classification CNN developed for intracranial lesions[1].

References:

Hollon, T.C.; Pandian, B.; Adapa, A.R.; Urias, E.; Save, A.V.; Khalsa, S.S.S.; Eichberg, D.G.; D'Amico, R.S.; Farooq, Z.U.; Lewis, S.; et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nat Med 2020, 26, 52-58, doi:10.1038/s41591-019-0715-9.
Orringer, D.A.; Pandian, B.; Niknafs, Y.S.; Hollon, T.C.; Boyle, J.; Lewis, S.; Garrard, M.; Hervey-Jumper, S.L.; Garton, H.J.L.; Maher, C.O.; et al. Rapid intraoperative histology of unprocessed surgical specimens via fibre-laser-based stimulated Raman scattering microscopy. Nature Biomedical Engineering 2017, 1, 0027, doi:10.1038/s41551-016-0027.