HSI pro identifikaci intersegmentální roviny během sublobární plicní resekce (HYPER-Seg)

Rakovina plic je celosvětově hlavní příčinou úmrtí souvisejících s rakovinou. Díky zobecnění screeningových strategií, zejména u rizikových populací, je stále větší počet případů rakoviny plic detekován v časném stadiu. V tomto ohledu je také rakovina plic stále častěji diagnostikována u pacientů s poruchou funkce plic. Pro zachování plicních funkcí a snížení výskytu komplikací jsou v současné době v této kohortě hodnoceny plicní segmentektomie. Nejnovější verze německé směrnice pro prevenci, diagnostiku, léčbu a sledování rakoviny plic tedy doporučuje segmentektomii u pacientů s poruchou funkce plic ve stadiu nádoru I/II. Identifikace intersegmentální roviny – klíčového kroku segmentektomie – však zůstává náročná. Nepřesné rozpoznání intersegmentální roviny může vést k dysfunkci zbývající plicní tkáně, nesouladu ventilace nebo průtoku krve nebo dlouhodobému úniku vzduchu po operaci, který si dokonce vyžádá neplánovanou sekundární operaci. Indocyanin green (ICG) je jednou z nejnovějších hodnocených metod identifikace a je považována za zlatý standard. Hyperspektrální zobrazování (HSI) - nově zavedená intraoperační zobrazovací technika - umožňuje neinvazivní hodnocení tkáňové perfuze a rozlišení plicní tkáně s různou tkáňovou perfuzí při segmentektomii.

Účelem této prospektivní, jednocentrové, non-inferiorní studie IDEAL Stage 2b je identifikace intersegmentální roviny a navigace během sublobárních plicních resekcí u karcinomu plic pomocí hyperspektrálního zobrazování, srovnání s ICG fluorescenční identifikací mezisegmentové roviny a stanovení automatická intersegmentální navigace v rovině využívající strategie strojového učení pro intraoperační navigaci.

K vyřešení tohoto problému bude intersegmentální rovina detekována pomocí HSI i ICG-fluorescence během plicních segmentektomií a vzájemná shoda obou identifikačních metod bude porovnána. Pomocí strategií strojového učení bude analyzována detekce perfundované a neperfundované plicní tkáně a intersegmentální roviny. Nakonec budou vyšetřovatelé studovat sledování pohybu pro zlepšení budoucích ilustrací HSI během operace.

Hypotézou této studie je, že HSI by mohla zlepšit intraoperační navigaci během plicních segmentektomií poskytujících stejně spolehlivou identifikaci mezisegmentových rovin jako zlatý standard fluorescence indocyaninové zeleně. V tomto případě by již nebyla nutná intravenózní aplikace fluorescenčního barviva pro identifikaci mezisegmentové roviny.

V případě komplexní resekce segmentu je nutné velké množství nebo opakované použití ICG vzhledem k jeho krátké době plicní cirkulace. Vícenásobné použití ICG může vést k tomu, že se ICG dostane do cílové plicní tkáně přes bronchiální cirkulaci a zvyšuje riziko nežádoucích lékových reakcí na ICG. Naproti tomu výhodou HSI by bylo rychlejší a opakované měření během operace. Při intersegmentální rovinné disekci (10 sekund vs. 3 minuty / měření) bude možné zkrátit celkovou dobu měření a následně i zátěž pacienta. V této souvislosti několik studií měření perfuze na bázi HSI během jícnové nebo kolorektální chirurgie již ukázalo lepší výsledky pacientů. Kromě toho lze HSI použít k operaci u pacientů s hypertyreózou nebo poruchou funkce ledvin nebo jater.

Na podporu této hypotézy bude v této studii použit design prospektivní studie non-inferiority. Aby byla zajištěna kvalita získávání dat a podávání zpráv, bude studie provedena v souladu s pokyny pro podávání zpráv IDEAL. Během plicních segmentektomií bude intersegmentální rovina identifikována pomocí fluorescence HSI i ICG. Stanovená HSI intersegmentální rezerva bude porovnána se základní pravdou ICG fluorescence a bude studována proveditelnost a reprodukovatelnost HSI a ICG mapování.

Metody strojového učení výrazně zlepšily interpretaci jemných vzorů v lékařských obrazových datech. Konvoluční neuronové sítě (CNN) lze považovat za nejmodernější pro klasifikaci a segmentaci lékařských snímků. Vyšetřovatelé rozšíří metody založené na CNN pro klasifikaci HSI a zejména budou studovat diferenciaci mezi perfundovanou a neperfundovanou tkání založenou na náplastech pomocí ICG a HSI dat získaných na stejné pozici. Další výzvou je relativně pomalé získávání HSI (10 sekund/měření), díky čemuž je náchylný k pohybovým artefaktům, např. v důsledku pulsativního pohybu. K vyřešení tohoto problému budou vyšetřovatelé studovat sledování pohybu, které je také relevantní pro budoucí znázornění hranice segmentu během operace.

Přístupy strojového učení a zejména CNN umožňují přímo optimalizovat klasifikátory na základě skutečných klinických dat a spektrální rozměr lze zpracovat přímočarým způsobem. Navíc, jako všestranná metoda pro zpracování obrazu, mohou být CNN také použity pro lokalizaci a kompenzaci pohybu během intraoperačního zobrazování, např. mohou být trénovány k detekci obrazových prvků a jejich pohybu v proudech obrazu v červené/zelené/modré barvě. To je zajímavé pro navrhovaný sběr dat HSI, který je založen na sekvenci měření citlivých na pohyb tkáně.