At the Margin, Neurosurgeons Can’t See. So Reveal Built a New Sense.

Reveal Surgical’s Sentry turns a molecule‑level signal into real‑time guidance, helping surgeons know what the eye can’t confirm at the margin.

Apr 14, 2026

Reveal Surgical is part of Reveal Life Science, a broader molecular intelligence platform spanning intraoperative guidance, pathology (biopsy adequacy), and biofluid diagnostics.

🇫🇷 Version française ci-dessous

In the United States in 2025, an estimated 107,100 new cases of primary brain and other central nervous system (CNS) tumors are expected to be diagnosed (1). In Canada, that number is about 3,300 people (2).

Behind these statistics lies a stark surgical reality: the hardest part of brain tumor surgery isn’t finding the tumor, it’s knowing where it truly ends.

Modern imaging reliably shows the core mass, but cancer rarely respects clean boundaries. The most dangerous cells can hide in tissue that looks normal under surgical lights, and sometimes even on scans. That uncertainty drives one of neuro‑oncology’s most persistent challenges: recurrence. For aggressive tumors like glioblastoma, recurrence is widely described as inevitable, often within months of first‑line treatment (3).

The Margin Problem: What Surgeons Can’t Safely Guess

Neurosurgeons operate in a brutal trade‑off: remove more tissue and risk critical function; remove less and risk leaving cancer behind. Even with the goal of complete resection of the contrast‑enhancing tumor on MRI, evidence shows that complete removal is achieved in only a minority of cases (4)

When cancer returns, patients face heavy clinical and emotional burdens. Repeat surgery can extend survival for select glioblastoma patients, one large retrospective study reported median survival of 15.5 months with two resections vs. 6.8 months with one (5). But re‑operations carry higher complication risks; for example, complication rates in second surgeries for intracranial meningioma rose from 32.1% to 46.4%, with worsened functional status in 26.8% after the second operation vs. 5.4% after the first (6).

This is also an economic story. In Canada, the total societal cost of cancer is projected to reach $37.7 billion in 2024, including $7.5 billion in costs borne by patients and caregivers. Out‑of‑pocket and indirect costs represent roughly 20% of total cancer‑related costs (7).

So the question becomes: what if we could reduce uncertainty at the margin, without slowing surgery down or adding friction?

Reveal’s Foundation: Clinical Scale, Pathology‑Matched Data

Reveal Life Science’s claim rests on something rare in surgical AI: years of pathology‑matched data at clinical scale.

“Today, our strongest clinical foundation is scale: roughly 500 patients across multiple prospective and retrospective clinical studies, representing approximately 20,000 pathology-matched tissue samples collected over a decade. We’ve trained and validated across multiple tumors including primary brain tumor types and brain metastases,” said Reveal CEO Christian Sauvageau.

This isn’t a proof‑of‑concept dataset; it’s a clinical corpus built around the real variation surgeons encounter.

The current platform builds on more than a decade of clinical development. After early breakthroughs, the original program faced funding constraints, putting the assets at risk. Reveal Life Science subsequently consolidated and restructured this foundation into a scalable, execution-ready platform.

Sentry: Turning Light into a Decision Layer

Reveal Surgical’s answer is Sentry, a system designed for one high‑stakes moment: when the surgeon is at the boundary and needs to decide whether the tissue ahead is likely cancerous.

Sentry consists of two core components:

A handheld optical probe used directly on tissue during surgery.
A machine/console running an AI engine that returns near‑real‑time results.

At its core is Raman spectroscopy, a technique that reads how light scatters through tissue to reveal a molecular “fingerprint.” In plain terms, the probe doesn’t “see” cancer the way a camera would. Instead, it detects biochemical patterns consistent with tumor tissue. McGill’s Health e‑News described this as expanding a surgeon’s “visual landscape” by translating wavelength shifts into actionable tissue classification (8).

As Christian puts it:

“The goal isn’t to claim surgeons suddenly ‘see better.’ It’s to help them know what they’re touching, faster than pathology can respond, and in a way that fits the rhythm of the operating room.”

Built Over Time: AI Trained on Real Tissue, Not Theory

What makes Sentry compelling isn’t just the sensor; it’s the learning arc behind it. Reveal’s models were trained by pairing Raman spectra (about 1,000 data points per spectrum) with pathology‑confirmed labels - normal vs. cancerous - so the algorithm learns the mapping from signal to diagnosis. Over years of clinical research and consented tissue collection, that dataset grew to tens of thousands of samples across primary brain tumors and metastases.

Importantly, the system doesn’t force false certainty. Sentry returns “normal,” “cancer,” or “indeterminate”, with an explicit “I don’t know” mode when the molecular signal sits in a gray zone. And while “AI” often means opaque black box, Reveal emphasizes interpretability: an approach that can highlight spectral peaks and link them with molecular components, a key factor for clinical trust and regulatory review.

What the Evidence Says So Far

In a peer‑reviewed multicenter study published in Scientific Reports (Nature Portfolio), the Sentry Raman spectroscopy system was evaluated intraoperatively in 67 adult patients with results showing strong diagnostic performance across tumor types (9).

A separate 2025 paper focuses on generalizability, a crucial but often overlooked question in medical AI: how well models hold up across real clinical variability (10)?

This is the unglamorous part of AI for good, and it’s where many promising prototypes fail.

Designed for Real Surgical Workflow

The operating room doesn’t tolerate tools that add minutes, steps, or cognitive load. Reveal built Sentry for the way surgeons actually work:

Used 50 to 100 times per operation, especially near the margin.
Produces results in ~2–3 seconds per measurement.

That matters because the margin is not a single decision; it’s dozens of micro‑decisions. The value of Sentry is cumulative: less guesswork repeated again and again.

Beyond the Margin

After years of clinical validation, the platform is now entering an execution phase, where regulatory progress, industrial partnerships, and early deployments converge. This represents a critical moment to translate validated science into real-world clinical impact.

Reveal’s ambition isn’t just to sharpen today’s decision; it is to expand what that decision can include.

“Our next step is to go beyond detection into characterization, exploring what sits in the indeterminate zone and training the model to distinguish aggressive cancers from slow‑growing ones. And longer term, we’re extending the signal to biofluids for earlier screening and for monitoring recurrence and treatment response.”

In parallel, Reveal is advancing Clarion™, an ex-vivo application focused on biopsy adequacy. This represents a faster regulatory and clinical entry point, enabling early deployment, data generation, and integration into routine OR workflows.

AI as a New Surgical Capability

This is what medical AI looks like when it earns its place: not a retrospective dashboard, not a prediction delivered after the fact, but a real‑time clinical capability that changes what’s possible during surgery.

By learning from thousands of pathology‑confirmed tissue samples, Sentry’s models turn Raman spectra into immediate, actionable classifications, shifting the surgical margin from a visual guess into a data‑informed decision. Over the course of a single operation, that shift can happen dozens of times. Here, AI isn’t a single intervention; it’s a continuous layer of decision support, designed to match the tempo and stakes of the operating room.

In a field where recurrence and re‑operation carry immense human and system costs, improving margin confidence isn’t incremental; it’s foundational. AI doesn’t make neurosurgery easier but it can make it more precise, more consistent, and more outcome‑driven, patient by patient, millimeter by millimeter.

If you’re working on something meaningful in tech, I’d love to hear from you. Send me a message, maybe your story’s next. 💬

🇫🇷 Version française

À la marge, les neurochirurgiens ne voient rien. Alors Reveal a créé un nouveau sens.

Le système Sentry de Reveal Surgical transforme un signal moléculaire en un guidage en temps réel, aidant les chirurgiens à savoir ce que l’œil ne peut pas confirmer.

Reveal Surgical fait partie de Reveal Life Science, une plateforme plus large d’intelligence moléculaire couvrant le guidage peropératoire, la pathologie (adéquation des biopsies) et le diagnostic par biofluides.

Aux États-Unis en 2025, on estime que 107 100 nouveaux cas de tumeurs primaires du cerveau et d’autres tumeurs du système nerveux central (SNC) seront diagnostiqués (1). Au Canada, ce nombre s’élève à environ 3 300 personnes (2).

Derrière ces statistiques se cache une réalité chirurgicale brutale : la partie la plus difficile de la chirurgie des tumeurs cérébrales n’est pas de trouver la tumeur, mais de savoir où elle se termine vraiment.

L’imagerie moderne permet de visualiser de manière fiable la masse principale, mais le cancer ne respecte rarement des limites nettes. Les cellules les plus dangereuses peuvent se cacher dans des tissus qui semblent normaux à l’éclairage chirurgical, et parfois même aux examens d’imagerie. Cette incertitude alimente l’un des défis les plus persistants de la neuro-oncologie : la récidive. Pour les tumeurs agressives comme le glioblastome, la récidive est largement décrite comme inévitable, souvent dans les mois suivant le traitement de première intention (3).

Le problème de la marge : ce que les chirurgiens ne peuvent pas deviner

Les neurochirurgiens opèrent dans un compromis brutal : retirer plus de tissu et risquer d’altérer des fonctions critiques ; en retirer moins et risquer de laisser du cancer derrière. Même avec l’objectif d’une résection complète de la tumeur prenant le contraste à l’IRM, les données montrent que l’ablation complète n’est réalisée que dans une minorité de cas (4).

Lorsque le cancer récidive, les patients font face à de lourdes charges cliniques et émotionnelles. La reprise chirurgicale peut prolonger la survie chez certains patients atteints de glioblastome ; une vaste étude rétrospective a rapporté une survie médiane de 15,5 mois avec deux résections, contre 6,8 mois avec une seule (5). Mais les réopérations comportent des risques de complications plus élevés ; par exemple, les taux de complications lors des deuxièmes chirurgies pour méningiome intracrânien sont passés de 32,1% à 46,4%, avec une détérioration de l’état fonctionnel chez 26,8% des patients après la deuxième opération contre 5,4 % après la première (6).

C’est aussi une histoire économique. Au Canada, le coût sociétal total du cancer devrait atteindre 37,7 milliards de dollars en 2024, dont 7,5 milliards de dollars de coûts supportés par les patients et les aidants. Les coûts directs et indirects représentent environ 20 % du coût total du cancer (7).

Alors la question devient : et si nous pouvions réduire l’incertitude à la marge, sans ralentir la chirurgie ni ajouter de friction ?

Les fondations de Reveal : échelle clinique, données validées par la pathologie

L’affirmation de Reveal repose sur quelque chose de rare dans l’IA chirurgicale : des années de données validées par la pathologie à l’échelle clinique.

« Aujourd’hui, notre fondation clinique la plus solide est l’échelle : environ 500 patients à travers de multiples études cliniques prospectives et rétrospectives, représentant approximativement 20 000 échantillons tissulaires validés par la pathologie, collectés sur une décennie. Nous avons entraîné et validé nos modèles sur de multiples tumeurs, y compris les tumeurs cérébrales primaires et les métastases cérébrales », a déclaré Christian Sauvageau, PDG de Reveal.

Il ne s’agit pas d’un jeu de données de preuve de concept, c’est un corpus clinique construit autour de la variation réelle que rencontrent les chirurgiens.

La plateforme actuelle s’appuie sur plus d’une décennie de développement clinique. Après des avancées initiales, le programme d’origine a été confronté à des contraintes de financement, ce qui a mis les actifs en péril. Reveal Life Science a par la suite consolidé et restructuré ces fondations en une plateforme évolutive, prête à l’exécution.

Le Sentry : transformer la lumière en couche décisionnelle

La réponse de Reveal Surgical est le Sentry, un système conçu pour un moment à enjeux élevés : lorsque le chirurgien se trouve à la limite et doit décider si le tissu devant lui est probablement cancéreux.

Le Sentry se compose de deux éléments principaux :

1. Une sonde optique portative utilisée directement sur le tissu pendant la chirurgie.

2. Une console exécutant un moteur d’intelligence artificielle qui fournit des résultats en quasi-temps réel.

Au cœur du système se trouve la spectroscopie Raman, une technique qui analyse la manière dont la lumière se diffuse à travers les tissus pour révéler une « empreinte moléculaire ». En termes simples : la sonde ne « voit » pas le cancer comme une caméra le ferait. Au lieu de cela, elle détecte des signatures biochimiques spécifiques au tissu tumoral. Le portail santé de McGill a décrit cela comme un élargissement du « paysage visuel » du chirurgien, en traduisant les décalages de longueur d’onde en une classification tissulaire exploitable (8).

Comme le dit Christian :

« L’objectif n’est pas de prétendre que les chirurgiens « voient soudainement mieux ». C’est de les aider à savoir ce qu’ils touchent plus vite que la pathologie ne peut répondre, et d’une manière qui s’intègre au rythme du bloc opératoire. »

Construit dans la durée : une IA entraînée sur du tissu réel, pas sur la théorie

Ce qui rend le Sentry convaincant, ce n’est pas seulement le capteur, mais l’arc d’apprentissage qui le sous-tend. Les modèles de Reveal ont été entraînés en associant des spectres Raman (environ 1000 points de données par spectre) à des étiquettes confirmées par la pathologie — normales vs cancéreuses — afin que l’algorithme apprenne la correspondance entre le signal et le diagnostic. Au fil d’années de recherche clinique et de collecte de tissus avec consentement, ce jeu de données a atteint des dizaines de milliers d’échantillons couvrant les tumeurs cérébrales primaires et les métastases.

Fait important, le système n’impose pas une fausse certitude. Le Sentry renvoie « normal », « cancer » ou « indéterminé », avec un mode explicite « je ne sais pas » lorsque le signal moléculaire se situe dans une zone grise. Et tandis que « IA » signifie souvent une boîte noire opaque, Reveal met l’accent sur l’interprétabilité : une approche capable de mettre en évidence les pics spectraux et de les relier aux composants moléculaires, un facteur clé pour la confiance clinique et l’examen réglementaire.

Ce que disent les données probantes jusqu’à présent

Dans une étude multicentrique évaluée par les pairs, publiée dans Scientific Reports (Nature Portfolio), le système de spectroscopie Raman Sentry a été évalué en peropératoire chez 67 patients adultes, avec des résultats indiquant de bonnes performances diagnostiques entre les types de tumeurs (9).

Un article distinct de 2025 se concentre sur la généralisabilité, une question cruciale mais souvent négligée en IA médicale : dans quelle mesure les modèles résistent-ils à la variabilité clinique réelle (10)?

C’est la partie sans glamour de l’IA au service du bien commun, et c’est là que beaucoup de prototypes prometteurs échouent.

Conçu pour le flux de travail chirurgical réel

Le bloc opératoire ne tolère pas les outils qui ajoutent des minutes, des étapes ou une charge cognitive. Reveal a conçu le Sentry pour la manière dont les chirurgiens travaillent réellement :

• Utilisé 50 à 100 fois par opération, notamment près de la marge.

• Produit des résultats en 2 à 3 secondes par mesure.

C’est important parce que la marge n’est pas une décision unique; ce sont des dizaines de micro-décisions. La valeur du Sentry est cumulative : moins d’approximation, répétée encore et encore.

Au-delà de la marge

Après des années de validation clinique, la plateforme entre désormais dans une phase d’exécution, où les avancées réglementaires, les partenariats industriels et les premiers déploiements convergent. Il s’agit d’un moment charnière pour transformer une science validée en un impact clinique concret.

L’ambition de Reveal ne se limite pas à affiner la décision d’aujourd’hui ; elle vise à élargir ce que cette décision peut englober.

« Notre prochaine étape est d’aller au-delà de la détection vers la caractérisation, en explorant ce qui se trouve dans la zone indéterminée et en entraînant le modèle à distinguer les cancers agressifs des cancers à croissance lente. Et à plus long terme, nous étendons le signal aux biofluides pour un dépistage plus précoce et le suivi de la récidive et de la réponse au traitement. »

En parallèle, Reveal développe Clarion™, une application ex vivo axée sur l’adéquation des biopsies. Celle-ci représente un point d’entrée réglementaire et clinique plus rapide, permettant un déploiement précoce, la génération de données et l’intégration dans les flux de travail courants du bloc opératoire.

L’IA comme nouvelle capacité chirurgicale

Voilà à quoi ressemble l’IA médicale lorsqu’elle gagne sa place : pas un tableau de bord rétrospectif, pas une prédiction livrée après coup, mais une capacité clinique en temps réel qui change ce qui est possible pendant la chirurgie.

En apprenant à partir de milliers d’échantillons tissulaires confirmés par la pathologie, les modèles du Sentry transforment les spectres Raman en classifications immédiates et exploitables, faisant passer la marge chirurgicale d’une estimation visuelle à une décision fondée sur les données. Au cours d’une seule opération, ce basculement peut se produire des dizaines de fois. Ici, l’IA n’est pas une intervention ponctuelle : c’est une couche continue d’aide à la décision, conçue pour s’adapter au rythme et aux enjeux du bloc opératoire.

Dans un domaine où la récidive et la réopération entraînent des coûts humains et systémiques immenses, améliorer la confiance à la marge n’est pas incrémental, c’est fondamental. L’IA ne rend pas la neurochirurgie plus facile, mais elle peut la rendre plus précise, plus cohérente et davantage orientée vers les résultats, patient par patient, millimètre par millimètre.

Si vous travaillez sur un projet porteur de sens en tech, j’aimerais beaucoup en entendre parler. Écrivez-moi : votre histoire est peut-être la prochaine à être racontée. 💬

Thanks for reading GoodTech Stories! This post is public so feel free to share it.

Sources:

Discussion about this post

Ready for more?