HSI til intersegmental plan identifikation under sublobare pulmonale resektioner (HYPER-Seg)

Lungekræft er den førende årsag til kræftrelateret død på verdensplan. På grund af generaliseringen af ​​screeningsstrategier, især for risikopopulationer, opdages et stigende antal lungekræfttilfælde på et tidligt stadium. I denne forbindelse diagnosticeres lungekræft også i stigende grad hos patienter med nedsat lungefunktion. For at bevare lungefunktionen og reducere forekomsten af ​​komplikationer er pulmonale segmentektomier i øjeblikket evalueret i denne kohorte. Den seneste version af den tyske retningslinje for forebyggelse, diagnosticering, behandling og opfølgning af lungekræft anbefaler således segmentektomi til patienter med nedsat lungefunktion i tumorstadie I/II. Imidlertid er identifikation af det intersegmentale plan - nøgletrinet i segmentektomi - fortsat udfordrende. Upræcis genkendelse af det intersegmentale plan kan føre til dysfunktion af det resterende lungevæv, mismatch af ventilation eller blodgennemstrømning eller langvarig luftlækage efter operationen, hvilket endda kræver uplanlagt sekundær operation. Indocyaningrøn (ICG) er en af ​​de seneste evaluerede identifikationsmetoder og betragtes som guldstandard. Hyperspektral billeddannelse (HSI) - en nyetableret intraoperativ billeddannelsesteknik - muliggør en ikke-invasiv evaluering af vævsperfusion og skelnen mellem lungevæv og forskelligt vævsperfusion under segmentektomier.

Formålet med denne prospektive, single-center, non-inferioritet IDEAL Stage 2b undersøgelse er identifikation af det intersegmentale plan og navigation under sublobare pulmonale resektioner i lungecancer ved hjælp af hyperspektral billeddannelse, sammenligning med ICG fluorescens intersegmental plan identifikation og etablering af automatisk intersegmental flynavigation ved hjælp af maskinlæringsstrategier til intraoperativ navigation.

For at løse dette vil det intersegmentale plan blive detekteret af både HSI og ICG-fluorescens under pulmonale segmentektomier, og overensstemmelsen mellem de to identifikationsmetoder vil blive sammenlignet med hinanden. Ved hjælp af maskinlæringsstrategier vil påvisningen af ​​perfunderet og ikke-perfunderet lungevæv og intersegmental plan blive analyseret. Endelig vil efterforskerne studere bevægelsessporing til forbedring af fremtidige HSI-illustrationer under operationen.

Hypotesen for denne undersøgelse er, at HSI kunne forbedre den intraoperative navigation under pulmonale segmentektomier, hvilket giver lige så pålidelig intersegmental planidentifikation som guldstandarden for indocyaningrøn fluorescens. I dette tilfælde ville en intravenøs påføring af fluorescerende farve ikke længere være påkrævet til identifikation af det intersegmentale plan.

I tilfælde af kompleks segmentresektion er en stor mængde eller gentagen brug af ICG nødvendig på grund af dens korte lungecirkulationstid. Multipel brug af ICG kan resultere i, at ICG trænger ind i mållungevævet gennem bronkialcirkulationen og øger risikoen for bivirkninger af ICG. I modsætning hertil ville fordelene ved HSI være en hurtigere og gentagen måling under operationen. Der vil være et potentiale for at reducere den samlede måletid under intersegmental plandissektion (10 sekunder vs. 3 minutter / måling) og dermed patientens byrde. I denne sammenhæng viste flere undersøgelser af HSI-baseret perfusionsmåling under esophageal eller kolorektal kirurgi allerede et forbedret patientresultat. Ydermere kan HSI anvendes til operation af patienter med hyperthyroidisme eller nedsat nyre- eller leverfunktion.

For at understøtte denne hypotese vil et prospektivt non-inferiority-forsøgsdesign blive brugt i denne undersøgelse. For at sikre kvaliteten af ​​dataindsamling og rapportering vil undersøgelsen blive udført i overensstemmelse med IDEALs rapporteringsretningslinjer. Under pulmonale segmentektomier vil det intersegmentale plan blive identificeret ved både HSI- og ICG-fluorescens. Den fastlagte HSI intersegmentelle margin vil blive benchmarket mod jordsandhedens ICG-fluorescens, og gennemførligheden og reproducerbarheden af ​​HSI- og ICG-kortlægning vil blive undersøgt.

Maskinlæringsmetoder har i høj grad forbedret fortolkningen af ​​subtile mønstre i medicinske billeddata. Konvolutionelle neurale netværk (CNN'er) kan betragtes som state-of-the-art til klassificering og segmentering af medicinske billeder. Efterforskerne vil udvide CNN-baserede metoder til HSI-klassificering og især studere patch-baseret differentiering mellem perfunderet og ikke-perfunderet væv ved hjælp af ICG- og HSI-data erhvervet på samme position. En yderligere udfordring er den relativt langsomme optagelse af HSI (10 sekunder/måling), som gør den tilbøjelig til bevægelsesartefakter, f.eks. på grund af pulserende bevægelse. For at imødekomme dette vil efterforskerne studere bevægelsessporing, som også er relevant for den fremtidige illustration af segmentgrænsen under operationen.

Maskinlæringstilgange og især CNN'er gør det muligt direkte at optimere klassifikatorer baseret på faktiske kliniske data, og den spektrale dimension kan håndteres på en ligetil måde. Desuden, som en alsidig metode til billedbehandling, kan CNN'er også bruges til lokalisering og bevægelseskompensation under intraoperativ billeddannelse, f.eks. kan de trænes til at detektere billedtræk og deres bevægelse i rød/grøn/blå billedstrømme. Dette er interessant for den foreslåede HSI-dataopsamling, som er baseret på en sekvens af målinger, som er følsomme over for vævsbevægelse.