Undersøgelse om klassificeringsmetode for indocyanin grøn lymfografi baseret på dyb læring (BCRL；ICG)

Brystkræftrelateret lymfødem (BCRL) er den mest almindelige komplikation efter brystkræftkirurgi, som medfører en tung psykologisk og åndelig byrde for patienterne. I lang tid har diagnosticering og behandling af lymfødem været et vanskeligt punkt i indenlandsk og udenlandsk forskning. I høj grad skyldes det, at de fleste af de patienter, der kommer til lægen, allerede har udviklet tydeligt lymfødem, og de indre lymfekar har gennemgået en patologisk ombygning[1] Derfor er det særligt vigtigt at opdage tidligt lymfødem og gribe ind i tide. gennem brug af følsomme screeningsværktøjer. Indocyanin grøn (ICG) lymfangiografi er en relativt ny metode, som kan vise overfladisk lymfeflow i realtid og hurtigt, og vil ikke blive påvirket af radioaktivitet [7]. I 2007 blev indocyanin grøn lymfografi brugt for første gang til at evaluere funktionen af ​​overfladiske lymfekar. I 2011 fandt japanske forskere tegn på hudrefluks baseret på ICG-lymfografidata fra 20 patienter med lymfødem efter brystkræftoperation, og de blev groft opdelt i tre typer efter deres sværhedsgrad: stænk, stjernehob og diffus (figur 1) [8 ]. Senere, i 2016, bekræftede en prospektiv undersøgelse, der involverede 196 personer, værdien af ​​ICG-lymfografi i den tidlige diagnose af lymfødem, og gjorde billederne af ICG-lymfografi mere specifikke stadier 0-5 [9], men iscenesættelsen er stadig baseret på de tre typer af hudreflukssymptomer fundet i en lille prøve klinisk undersøgelse i 2011, som ikke er fuldstændig anvendelig i faktiske kliniske anvendelser. Når unormale hudreflukssymptomer vises på ICG-lymfangiografi, mangler de patofysiologiske ændringer, der opstår i kroppen, desuden forskning og udforskning. Derfor håber denne forskning at forfine billedfunktionerne ved ICG-lymfografi gennem maskinlæring (deep learning) og etablere en PKUPH-model til diagnosticering af tidligt lymfødem ved at iscenesætte billedfunktionerne.