Intraoperační vyšetření pomocí HYperspektrálního učení založeného na strojovém učení pro diagnostiku a hodnocení autonomní anatomie (iEXMachyna3)

Peroperační rozpoznání cílových struktur, které je třeba zachovat nebo selektivně odstranit, má při chirurgických zákrocích prvořadý význam. Tento úkol se opírá především o anatomické znalosti a zkušenosti operátora. V prostředí minimálně invazivní chirurgie je snížená hmatová zpětná vazba a zrak chirurga je jediným vodítkem k rozlišení tkání. Nesprávné vnímání anatomie v důsledku patologických stavů specifických pro pacienta a/nebo nezkušenosti chirurga může vést ke zvýšenému riziku iatrogenního poškození kritických anatomických struktur a může mít zničující následky. Hyperspektrální zobrazování (HSI) představuje slibnou technologii, která kombinuje fotografickou kameru se spektrometrem a která je schopna provádět optické skenování v reálném čase na velké ploše bez kontrastu, poskytující prostorové i spektrální informace generované interakce tkáň/světlo. Technologie je založena na využití odrazových spektroskopických zobrazovacích měření. Měření spočívá v ozáření oblasti bílým světlem (normální halogenové žárovky, v nezávadné intenzitě) a zaznamenání remitovaných spektrálních intenzit z oblasti ve formě remisních spekter. Optická interakce (rozptyl, absorpce) dopadajícího světla s různými složkami (včetně hloubky) cílového materiálu (např. biologické tkáně) mění spektrální rozložení světla tak, že dodané světlo nese informaci o aktuálním materiálu nebo složení tkáně a fyziologii (např. perfuze). HSI je již zavedená metoda objektivní klasifikace obrazových informací v řadě vědeckých oborů (např. dálkového průzkumu Země), který byl poprvé aplikován v oblasti humánní medicíny asi před 15 lety. Vzhledem k vnitřním výhodám nedestruktivního odběru vzorků, možnostem propojení s běžnými optickými modalitami (mikroskop, endoskop) a kvantitativním výsledkům nezávislým na vyšetřovateli byly mezitím vyvinuty různé přístupy k využití potenciálu hyperspektrálního zobrazování v medicíně.

Jeho užitečnost v biomedicínské oblasti již byla rozsáhle prokázána. Dříve se používal v trávicí chirurgii ke kvantifikaci střevního okysličeného hemoglobinu během několika procedur nebo v případě mezenterické ischemie. Řada předchozích prací se úspěšně zaměřila na schopnost HSI rozlišovat mezi normální a nádorovou tkání, u rakoviny prostaty, kolorektálního karcinomu, rakoviny žaludku, glioblastomu, rakoviny hlavy a krku. V onkologické oblasti byly pokroky v klasifikaci hyperspektrálních znaků pozoruhodné a vedly k úspěšnému použití sofistikovaných algoritmů hlubokého učení. V chirurgii byla studována užitečnost HSI kamery k vizualizaci operačního pole při obtížném krvácení nebo k detekci přítomnosti tumoru v resekčních okrajích po chirurgické excizi.

Japonská skupina použila systém HSI jako další vizualizační nástroj k detekci střevní ischemie a také ke klasifikaci intraabdominální anatomie. Identifikovali konkrétní vlnovou délku (756-830 nm) pro rozlišení mezi zdravým a méně perfundovaným střevem. Prokázali také, že slezina, tlusté střevo, tenké střevo, močový měchýř a pobřišnice mají různé spektrální rysy. Toto zjištění by mohlo v budoucnu umožnit navigaci operačního pole na bázi HSI. Naše skupina nedávno použila HSI jako intraoperační nástroj na prasečím modelu ke kvantifikaci perfuze orgánů gastrointestinálního traktu proti robustním biologickým markerům. Výsledky ukázaly, že tato technologie je schopna kvantifikovat prokrvení střev s vysokou přesností.

Jiné skupiny se dříve pokoušely rozlišit žlučovod od cév, jícen od tracheální tkáně, štítnou žlázu od příštítných tělísek, nerv a močovod od okolní tkáně. Tyto předchozí práce zaměřené na rozpoznání klíčových anatomických struktur však byly provedeny buď pomocí jednoduchých algoritmů rozlišování znaků nebo metod výběru pásma. Množství informací získaných po každé akvizici se liší podle rozlišení kamery, ale je poměrně velké, a proto jsou pro klasifikaci dat a extrakci znaků vyžadovány techniky strojového učení a hlubokého učení. V sadě kontrolovaných experimentů na prasečím modelu byly úspěšně použity hyperspektrální podpisy, spojené s algoritmy strojového učení, k rozlišení jemných anatomických struktur, jako jsou nervy nebo uretery během operace (nepublikovaná data).

Studie i-EX-MACHYNA3 se zaměřuje na překlad technologie HSI v kombinaci s několika algoritmy hlubokého učení k rozlišení mezi různými třídami lidských tkání (včetně klíčových anatomických struktur, jako jsou BD, nervy a močovody).