CLASSICA: Validering af AI i klassificering af kræft i realtidskirurgisk undersøgelse 1

Rektale polypper >2 cm i størrelse (som påvirker ca. 10.000 patienter om året alene i Europa) repræsenterer en betydelig klinisk udfordring. Mens mindre polypper kan behandles ved rutinemæssig endoskopisk polypektomi, og ærlig klinisk cancer vil udvikle sig gennem et traditionelt kræftkirurgiparadigme, har polypper af denne størrelse mulighed for at blive lokalt udskåret, intakte ved transanal endoskopisk resektion (også kaldet Transanal Minimally Invasive Surgery, TAMIS). Dette er den foretrukne behandling på dette sted på grund af dets evne til at give en enkelt komplet ufragmenteret prøve versus andre modaliteter (f.eks. endoskopisk submucosal resektion). Mens teknologien og træningen til at muliggøre transanal resektion er blevet meget mere tilgængelig i løbet af det sidste årti (især TAMIS), hvilket betyder, at flere patienter kan få store benigne læsioner og endda nogle tidlige rektalcancer udskåret i deres lokale specialistcentre, er den største bremse nu for en sådan behandling er patientvalg: det vil sige hvordan man kan se, om en given patient har en godartet polyp eller en kræftsygdom forud for sin resektion.

Endoskopiske biopsier er notorisk unøjagtige i op til 20 % af sådanne læsioner (rektalcancer begynder oftest som adenomatøse læsioner, og overfladiske biopsier kan derfor gå glip af et ondartet fokus). Fejlagtig identifikation af en cancer som en godartet læsion og behandling af den ved lokal excision forværrer prognosen betydeligt og kompromitterer efterfølgende cancerkirurgi - herunder potentielt konvertering af et rekonstruerbart resektionssted (dvs. behov for en abdominoperineal resektion med permanent kolostomi) og ved at udså kræftceller i en dyb margin eller et andet plan, især som i tilfældet med anteriort placerede læsioner. Derudover har transanale excisionsteknikker fortsat relativt høje rater af positive marginer; dette risikerer genvækst i godartede læsioner og begrænser effektiv lokal terapi for cancer i de tidligste stadier på grund af tilstedeværelsen af ​​usynlig sygdom tæt på hovedtumormassen.

Vi har tidligere vist, ved brug af fluorescerende indocyaningrøn (ICG), at perfusion er synligt forskellig mellem tumor og sundt væv. Denne forskel kan fanges via infrarød video, og matematisk analyse kan differentiere perfusionsmønsteret af maligne områder fra ethvert godartet/normalt væv, der også er synligt i den samme endoskopiske visning. Kort sagt kan mætningen af ​​fluorescens i hver region af interesse (dvs. tumor eller område med normal slimhinde) måles fra den optagede video ved hjælp af eksisterende software udviklet af IBM. Ændringen i fluorescens over tid kan afbildes på en kurve, der viser indstrømningen, toppen og udstrømningen af ​​ICG, hvilket afhænger af perfusionsmønstrene inden for området af interesse. Disse kurver adskiller sig afhængigt af det væv, der undersøges, og kan derfor bruges til at klassificere godartede fra ondartede tumorer ved at beregne hældningen af ​​optagelsen og arealet under kurven for at måle udstrømning. På et sted (såsom endetarmen), hvor der er mistanke om kræft, kan analyse af videoen derfor bruges til at skelne mellem sundt og kræftvæv. Denne opdagelse kan udnyttes til klinisk brug ved anvendelse af AI-metoder, herunder computersyn og maskinlæring. I det væsentlige varierer fluorescensintensiteten af ​​pixels, der viser væv af interesse, med blodgennemstrømningen (perfusion), når blodet farves med ICG og oplyses af nær-infrarødt (NIR) lys. Intensiteten fanges over tid fra flere videoframes, og denne intensitet er plottet som en kurve. Intensitetskurverne for tumorvæv er forskellige fra dem for sundt væv, og for benigne tumorer er forskellige fra ondartede tumorer. Analyse af kurveegenskaberne for hver pixel i et område af interesse kan således føre til en klassificering.

Et sådant AI-system er blevet prototype og trænet på Mater Hospital tidligere med videoer fra en population af irske cancerpatienter fra to regionale centre, så det automatisk kan identificere ondartede tumorer og godartede læsioner fra sundt væv ved deres perfusionsmønstre. Denne prototype har tidligere vist en nøjagtighed på >80%.

I denne undersøgelse validerer vi klinisk det grundlæggende koncept eller metode til at klassificere væv efter dets fluorescenssignalegenskaber, mens vi også ser, om en enhed kan bygges på grundlag af dette, der kan ekstrapolere de data, der genereres fra videoerne af UCD-personale. Vi behandler også spørgsmålet om generaliserbarhed - kan andre kirurger bruge systemet og få lignende resultater fra deres specifikke patientkohorter? Dette vil bane vejen for fremtidige undersøgelser, som er planlagt til at bestemme biopsiens roller (kan systemet muliggøre optimalt valg af biopsivæv og dermed reducere biopsifejl?); og tumorresektion (kan systemet øge fuldstændigheden og nøjagtigheden af ​​tumorresektionen?).