Validation of Artificial Intelligence–enhanced Stimulated Raman Histopathology for Intraoperative Margin Assessment During Robot-assisted Radical Prostatectomy: Preliminary Results from the ROBOSPEC Study
Notice bibliographique
Résumé
Our preliminary findings suggest that simulated Raman histology (SRH) with artificial intelligence assistance can support intraoperative decision-making and demonstrate potential for SRH feasibility in surgical margin assessment. While these results are encouraging, ongoing direct comparisons to frozen sections stained with hematoxylin and eosin and to paraffin-embedded sections are essential to further validate the findings and enhance the reliability of this strategy. Stimulated Raman histology (SRH) offers promising near–real-time tissue visualization for intraoperative pathology assessment. We present preliminary results from the ROBOSPEC study, with a focus on the accuracy of results obtained via an integrated artificial intelligence (AI) tool. ROBOSPEC is a prospective, single-arm pilot study involving patients with prostate cancer undergoing robot-assisted radical prostatectomy (RARP). Probes from the RP specimens from the first 18 patients with intermediate-risk or high-risk prostate cancer were collected bilaterally from the dorsolateral sides of the prostate and examined with frozen section with hematoxylin and eosin staining (cryo-HE), SRH imaging (NIO laser imaging system, Invenio Imaging, Santa Clara, CA, USA). A previously published New York University AI algorithm (NYU-AI) that is based on the Inception-ResNet-v2 CNN architecture was used to generate three-color overlays to assist in interpretation. SRH images were reviewed by blinded urologists using this AI-enhanced output. NYU-AI identified positive surgical margins in 22% of patients, with no statistically significant difference in comparison to cryo-HE ( p > 0.05). Patient-based analysis yielded sensitivity and a negative predictive value (NPV) of 1.0, specificity of 0.93, and a positive predictive value of 0.75. Sample-based analysis showed similar performance, with specificity of 0.97 and identical sensitivity and NPV. These findings indicate strong diagnostic agreement between NYU-AI and conventional intraoperative pathology. Limitations of the study include the small patient cohort, the single-center design, previous training of the NYU-AI tool on prostate biopsy and periprostatic surgical-bed samples, and the lack of testing of interobserver agreement. Our preliminary findings support the potential of SRH with NYU-AI for intraoperative detection of positive surgical margins during RARP. Implementation of this technique should be further discussed after more studies have been conducted. We looked at an artificial intelligence program using a method called stimulated Raman histology to assess the cancer status of the cutting margin during robot-assisted surgery to remove the prostate. Our preliminary results show that this method could be an alternative to the current standard as it provides accurate and faster results.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».