Intraoperační ultrazvuk pro operaci mozkových nádorů vylepšený umělou inteligencí (BrainUS-AI)

Operace nádorů mozku představuje významné výzvy kvůli složité anatomii mozku a infiltrující povaze těchto lézí, které se často nacházejí v blízkosti důležitých oblastí. Jedním z klíčových faktorů ovlivňujících přežití pacientů je rozsah resekce nádoru, pokud ji lze dosáhnout bez ohrožení neurologických funkcí 1. Pro maximalizaci bezpečné resekce neurochirurgové spoléhají na řadu intraoperačních pomocných prostředků, včetně fluorescenčních látek, neuronavigace, přímé elektrické stimulace a pokročilých intraoperačních zobrazovacích technik, zejména intraoperační magnetické rezonance (ioMRI) a intraoperačního ultrazvuku (ioUS) 2.

Přestože ioMRI nabízí vynikající rozlišení a přesnost, její vysoká cena, logistické nároky a složitost integrace omezují její dostupnost na malý počet specializovaných center 3. Naproti tomu ioUS je nízkonákladová, univerzální modalita, která se přirozeně integruje do chirurgického pracovního postupu 4-6. Přesto je její širší adopce omezena několika faktory: vysoká závislost na operátorovi, strmá křivka učení a problémy s interpretací související s artefakty, nestandardními zobrazovacími rovinami, nízkým kontrastem mezi nádorem a normálním mozkem a omezeným zorným polem.

V posledních desetiletích výzkum segmentace nádorů mozku založené na umělé inteligenci výrazně pokročil, ale většina prací se zaměřila na MRI 7. V kontextu ioUS rané studie, jako je práce Ritschel et al. 8, ukázaly, že modely s učícím se dohledem (např. support vector machines) dokážou odlišit nádor od zdravé tkáně v kontrastem zvýrazněném ultrazvuku, ale tyto přístupy byly pracně náročné a omezené na malé datové sady. Ilunga-Mbuyamba et al. 9 později zkoumali multimodální registraci mezi ioUS a MRI pro zlepšení segmentace, ale klinická proveditelnost byla omezena potřebou přesné koregistrace. V nedávné době byly přístupy založené na hlubokém učení od Canalini et al. 10 a Carton et al. 11 aplikovány pro segmentaci chirurgických dutin a objemů nádorů na snímcích ioUS.

Nejmodernější metody, jako jsou ty, které uvádí Faanes et al. 12, používající architektury nnU-Net, dosáhly slibných koeficientů podobnosti Dice 0,6-0,9 na veřejných datových sadách, jako jsou RESECT-SEG 13 a ReMIND 14. Tyto modely však nebyly navrženy pro inferenci v reálném čase a neprošly validací v živém chirurgickém prostředí. Jiné přístupy, jako je práce Dorent et al. 15, se spoléhaly na syntetické ultrazvukové snímky odvozené z preoperační MRI, což vyvolává obavy ohledně generalizovatelnosti na reálná ioUS data. Celkově, navzdory těmto pokrokům, zůstává klinická translace omezena kvůli jedinečným výzvám ioUS, včetně nižšího prostorového rozlišení, heterogenity obrazu a variability v akvizičních protokolech.

V jiných lékařských oborech prokázala segmentace ultrazvuku asistovaná umělou inteligencí proveditelnost v reálném čase. Například Hu et al. 16 implementovali modely založené na U-Netu pro segmentaci lézí prsu při 16 snímcích za sekundu (FPS) s Dice skóre přesahujícím 0,75, zatímco Wei et al. 17 aplikovali detekci založenou na YOLO pro identifikaci karotických plátů s 98,5% přesností při 39 FPS. Navzdory jejich efektivitě a přesnosti podobné přístupy dosud nebyly implementovány a klinicky validovány pro operace nádorů mozku pomocí ioUS.

Náš projekt si klade za cíl zaplnit tuto mezeru provedením multicentrické, prospektivní, nerandomizované validace prototypového modelu segmentace založeného na hlubokém učení, který je speciálně navržen pro ultrazvuk mozkových nádorů v reálném čase během operace. Model pracuje při chirurgických snímkových frekvencích, automaticky vyznačuje hranice nádoru přímo na živém ultrazvukovém zobrazení, s cílem asistovat při intraoperačním rozhodování, maximalizovat rozsah resekce, pokud je to onkologicky vhodné, a zachovat neurologické funkce.

Tato studie navazuje na naši předchozí práci, která vytvořila pevný vědecký základ pro navrhovanou validaci. V naší nedávné publikaci "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18 jsme natrénovali a validovali model hlubokého učení pro segmentaci nádorů mozku pomocí multicentrických dat z BraTioUS-DB, což představuje milník ve výzkumu ioUS. Ve druhé studii "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19 jsme vyvinuli a prospektivně vyhodnotili model detekce počítačového vidění v reálném čase v operačním sále. Společně tyto příspěvky poskytují robustní rámec pro pokrok v segmentaci založené na umělé inteligenci v reálném čase v intraoperačním ultrazvuku, což je v přímém souladu s cíli této studie.