Intraoperative Confirmation of Prostate Cancer Using AI-Based Raman Spectroscopy for Tumor Targeting

Cibler précisément les tissus malins lors des interventions pour le cancer de la prostate (CaP) demeure un défi clinique majeur, en particulier lorsque les tumeurs ne sont pas discern-ables des tissus normaux dans les conditions standards de la salle d’intervention. Les procé-dures actuelles, par exemple pour un échantillonnage ou traitement focal ciblé, bénéficient de plusieurs systèmes de navigation, dont certains intègrent l’échographie transrectale (TRUS), l’enregistrement multimodale d’images et le suivi électromagnétique (EM) pour guider les interventions. Toutefois, ces approches reposent principalement sur des images préopéra-toires pour la planification et sur l’histopathologie postopératoire pour la confirmation. En conséquence, il manque un mécanisme de confirmation en temps réel et in-situ permettant d’ajuster avec précision le ciblage tumoral. L’accès à de telles informations peropératoires pourrait améliorer la prise de décision, accroître le rendement diagnostique des biopsies, personnaliser les traitements et, ultimement, améliorer les résultats pour les patients. La spectroscopie Raman (RS) constitue une technique optique non destructive et sans agent de contraste, capable de contribuer à la résolution de ce défi. Elle repose sur la diffusion inélastique de la lumière, où une petite fraction de photons interagit avec les modes de vibrations des molécules de l’échantillon, produisant de subtils changements d’énergie con-nus sous le nom d’effet Raman, et fournissant des signatures moléculaires en temps réel. Cette information moléculaire peut être exploité par des méthodes de classification basées sur l’intelligence artificielle (IA) pour appuyer la caractérisation tissulaire et la détection de maladies. Associée à l’apprentissage automatique, la RS a montré des résultats prometteurs pour l’identification de plusieurs pathologies, notamment la maladie d’Alzheimer, les troubles cardiovasculaires et divers types de cancers.

Abstract

Accurately targeting malignant tissue during prostate cancer (PCa) interventions remains a fundamental clinical challenge, particularly when tumors are not distinguishable from sur-rounding normal tissue under standard procedure room conditions. Current prostate inter-vention workflows, for example, for targeted biopsy sampling or focal treatment, benefit from different navigation systems options. In some cases, these systems integrate transrectal ul-trasound (TRUS), image registration, and electromagnetic (EM) tracking to target regions of interest in the gland. Nonetheless, since these methods rely on preoperative imaging for planning and post-intervention histopathology for confirmation, there remains a lack of in-situ, real-time PCa confirmation to target tumors accurately. Such intraoperative insights could guide decision-making, improve biopsy yield, personalize focal therapy, and ultimately enhance patient outcomes. Raman spectroscopy (RS) is a label-free, non-destructive optical technique with the potential to contribute to solving this challenge. It is based on the inelastic scattering of light, where a small fraction of photons interact with vibrational modes of the molecules in the sample, producing subtle energy shifts known as the Raman effect, and providing real-time molecular signatures. Artificial intelligence (AI)-based classification methods can exploit this molecular information to support tissue characterization and disease detection. When combined with machine learning, RS has shown promising results in identifying several conditions, including Alzheimer’s disease, cardiovascular disorders, and various types of cancer.