In Vivo Use of Raman Spectroscopy in Soft Tissue Sarcoma Resection

Les sarcomes des tissus mous représentent une forme de cancer rare. La résection en marges négatives est l'un des facteurs pronostiques les plus importants pour la survie des patients atteints de sarcomes des tissus mous rétropéritonéaux. La technique standard en pathologie pour l’évaluation des marges per-opératoire est la congélation. Malheureusement, cette technique demeure limitée et peu fiable pour l’évaluation des sarcomes rétropéritonéaux. Des technologies plus contemporaines ont été étudiées, dont la spectroscopie Raman. Il s’agit d’une technique d'analyse optique basée sur les interactions inélastiques entre les photons et les tissus. Elle fournit des informations au niveau moléculaire. La spectroscopie Raman est un outil qui a le potentiel de mieux évaluer les marges de résection durant la chirurgie, mais sa capacité à détecter les sous-types les plus fréquents de sarcomes des tissus mous n'a pas été prouvée. La transformation néoplasique d'un tissu sain implique des changements biomoléculaires importants qui génèrent des modifications significatives dans le spectre Raman correspondant du tissu. Les algorithmes de classification par apprentissage machine peuvent détecter ces modifications afin de classer un échantillon donné comme correspondant à du tissu tumoral ou sain. Ce travail vise à présenter une nouvelle sonde de spectroscopie Raman appelée UltraProbe, et démontrer ses performances par rapport aux systèmes précédemment utilisés. Ses performances seront ensuite évaluées lors de son utilisation sur les sarcomes des tissus mous dans un environnement in vivo en déterminant sa sensibilité, spécificité, et précision en association avec un algorithme de classification par apprentissage machine de type forêt aléatoire.

Abstract

Soft tissue sarcomas (STS) are a rare disease with limited treatment options. Performing resection in negative margin is one of the most significant prognostic factors for retroperitoneal soft tissue sarcoma (RSTS) survival. The standard technique for intraoperative margin evaluation is the frozen section. However, it has important limitations and is unreliable in RSTS evaluation. Modern techniques are being investigated to fill this role, including Raman spectroscopy. It has the potential to provide better assessment of RSTS resection margins, but its ability to detect the most frequent subtypes of STS has not been proven. Raman spectroscopy is an optical analysis technique based on interaction between photons and tissue samples. It provides information on human tissue samples at a molecular level. Neoplastic transformation of a healthy tissue involves important biomolecular changes that generate significant changes in the tissue’s corresponding Raman spectrum. Machine learning classification algorithms can detect these spectrum modifications to classify a given sample as tumoral or healthy tissue. This work aims to present a new handheld Raman spectroscopy probe called the UltraProbe, and demonstrate its increased performance compared with previously used systems. Its performance will then be evaluated for use on STS by determining the sensitivity, specificity, and accuracy paired with a random forest machine learning classification algorithm in an in vivo environment.