SURG-95. Spectral Imaging and AI for Brain Tumor Characterization: Toward Data-Driven Surgical Guidance
Notice bibliographique
Résumé
Abstract Precise delineation of brain tumor margins remains a clinical challenge, even with the aid of 5-aminolevulinic acid (5-ALA) fluorescence guidance — particularly in low-grade gliomas or infiltrative zones where visible fluorescence is weak or absent. Hyperspectral imaging (HSI), which captures detailed spectral data per pixel, offers the potential for refined tissue characterization based on spectral signatures. However, converting raw spectral data into clinically meaningful overlays involves complex processing, which can be optimized through machine- and deep learning. We developed a data-driven pipeline for ex vivo hyperspectral fluorescence imaging of brain tumor biopsies. The workflow comprises automatic biopsy segmentation, spectral feature extraction, and deep learning-based normalization to correct for optical variability across samples. Spectral unmixing is then applied to estimate the relative abundance of key fluorophores, including PpIX and various autofluorescent compounds. These abundance profiles serve as input features for machine learning classifiers trained to predict tumor type, WHO grade, margin type, and IDH mutation status. The dataset consists of 891 hyperspectral image cubes from 184 patients with diverse brain tumor pathologies. Deep neural networks enhanced the normalization process by accounting for complex, tissue-specific optical properties, leading to more robust abundance estimations. Classifiers trained on the processed spectral data achieved test accuracies of 87.3% (tumor type), 96.1% (WHO grade), 85.7% (tumor margin), and 93% (IDH mutation), surpassing the performance of previous non-fluorescence-based methods. The integration of deep learning for normalization and both classical and machine learning-based unmixing significantly enhanced data interpretability. We demonstrate that HSI, when combined with deep learning-based normalization and data-driven analysis, enables accurate classification of key brain tumor features. The fusion of spectral unmixing and machine learning facilitates the extraction of molecular and histopathological signatures, offering real-time potential to support surgical decision-making. These results underscore the clinical value of integrating AI with HSI for fluorescence-guided brain tumor resection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».