Intraoperativ undersøgelse ved hjælp af MAChine-learning-baseret HYperspectral til diagnose og autonom anatomivurdering (iEXMachyna3)

Den intraoperative genkendelse af målstrukturer, som skal bevares eller selektivt fjernes, er af afgørende betydning under kirurgiske procedurer. Denne opgave bygger hovedsageligt på operatørens anatomiske viden og erfaring. I omgivelserne med minimalt invasiv kirurgi er der en reduceret taktil feedback, og kirurgens syn er det eneste spor til at skelne mellem vævene. Fejlopfattelse af anatomien på grund af patientspecifikke patologiske tilstande og/eller kirurgens uerfarenhed kan føre til en øget risiko for iatrogen skade på kritiske anatomiske strukturer og kan have ødelæggende konsekvenser. Hyperspektral billeddannelse (HSI) repræsenterer en lovende teknologi, der kombinerer et fotokamera med et spektrometer, og som er i stand til at udføre en optisk scanning i realtid over et stort område på en kontrastfri måde, hvilket giver både rumlig og spektral information, genereret af væv/lys interaktionen. Teknologien er baseret på brugen af ​​reflektansspektroskopiske billedmålinger. Målingen består i bestråling af hvidt lys på området (normale halogenlamper, i ikke-skadelig intensitet) og registrering af de remitterede spektrale intensiteter fra området i form af remissionsspektre. Den optiske interaktion (spredning, absorption) af det indfaldende lys med de forskellige komponenter (inklusive dybden) af målmaterialet (f.eks. biologiske væv) ændrer lysets spektrale fordeling, så det remitterede lys bærer information om det aktuelle materiale eller vævssammensætning og fysiologi (f.eks. perfusion). HSI er en allerede etableret metode til objektivt at klassificere billedinformation inden for en række videnskabelige områder (f. remote sensing), som først blev anvendt inden for humanmedicin for omkring 15 år siden. På grund af de iboende fordele ved ikke-destruktiv prøveindsamling, grænseflademuligheder med almindelige optiske modaliteter (mikroskop, endoskop) og kvantitative, undersøger-uafhængige resultater, er der i mellemtiden udviklet forskellige tilgange til at udnytte potentialet ved hyperspektral billeddannelse i medicin.

Dens anvendelighed inden for det biomedicinske område er allerede i vid udstrækning blevet bevist. Det er tidligere blevet anvendt i fordøjelseskirurgi til at kvantificere intestinalt oxygeneret hæmoglobin under flere procedurer eller i tilfælde af mesenterisk iskæmi. En række tidligere arbejder fokuserede med succes på HSI's evne til at skelne mellem normalt væv og tumorvæv i prostatacancer, kolorektal cancer, mavekræft, glioblastom, hoved- og halskræft. På det onkologiske område har fremskridtene inden for klassificering af hyperspektrale funktioner været bemærkelsesværdige og har ført til succesfuld brug af sofistikerede deep learning-algoritmer. Inden for kirurgi er anvendeligheden af ​​HSI-kamera blevet undersøgt til at visualisere operationsfeltet under vanskelig blødning eller til at påvise tumortilstedeværelse inden for resektionsmarginerne efter kirurgisk excision.

En japansk gruppe brugte et HSI-system som yderligere visualiseringsværktøj til at detektere intestinal iskæmi og også til at klassificere den intraabdominale anatomi. De identificerede en bestemt bølgelængde (756-830 nm) til differentiering mellem sund og mindre perfunderet tarm. De påviste også, at milten, tyktarmen, tyndtarmen, urinblæren og bughinden har forskellige spektrale træk. Denne opdagelse muliggør i fremtiden HSI-baseret navigation af operationsfeltet. Vores gruppe har for nylig brugt HSI som intraoperativt værktøj i den porcine model til at kvantificere perfusion af organerne i mave-tarmkanalen mod robuste biologiske markører. Resultaterne viste, at denne teknologi er i stand til at kvantificere tarmens blodforsyning med en høj grad af præcision.

Andre grupper har tidligere forsøgt at skelne galdegange fra karrene, spiserøret fra luftrørsvævet, skjoldbruskkirtlen fra biskjoldbruskkirtlen, nerve og urinleder fra det omgivende væv. Imidlertid blev de tidligere værker rettet mod genkendelse af vigtige anatomiske strukturer udført ved hjælp af enten simple funktionsdiskriminationsalgoritmer eller båndudvælgelsesmetoder. Mængden af ​​information, der opnås efter hver optagelse, varierer afhængigt af kameraopløsningen, men er ret stor, og derfor kræves maskin- og deep learning-teknikker til dataklassificering og udtræk af funktioner. I et sæt kontrollerede eksperimenter i svinemodellen er hyperspektrale signaturer med succes blevet brugt, koblet til maskinlæringsalgoritmer, til at skelne mellem fine anatomiske strukturer såsom nerver eller urinledere intraoperativt (upublicerede data).

i-EX-MACHYNA3-studiet har til formål at oversætte HSI-teknologien i kombination med adskillige deep learning-algoritmer for at differentiere mellem forskellige klasser af menneskeligt væv (inklusive centrale anatomiske strukturer såsom BD, nerver og urinledere).