Postoperativ Lungefunktionsvurdering Baseret på Dyb Læringsstudie

Forbedringer i lavdosis CT-screening har ført til en stigning i tidligstadie NSCLC-diagnoser, hvor kirurgisk resektion – typisk lobektomi eller segmentektomi – forbliver den primære kurative mulighed. I Hongkong præsenterer patienter sig dog hyppigt med komorbiditeter som kronisk luftvejssygdom eller kardiovaskulære problemer, hvilket gør bevaring af sundt lungevæv afgørende for deres langsigtede livskvalitet. Traditionel kirurgisk resektion, såsom lobektomi eller segmentektomi, har visse begrænsninger med hensyn til funktionel bevaring. Derimod er robot-/navigationsbronkoskopisk ablation opstået i de senere år som en ny minimalt invasiv endoskopisk behandlingsstrategi. Denne tilgang er implementeret i udvalgte centre og demonstrerer potentielle fordele, herunder hurtigere postoperativ genopretning, reduceret traume og forbedret bevaring af lungefunktionen. Ved at udnytte avancerede navigationssystemer muliggør bronkoskopisk ablation præcis lokalisering og ablation af lungeknuder, hvilket undgår den omfattende resektion af sundt lungevæv, der kræves i traditionel kirurgi. Disse fordele lover godt for at forbedre patienternes langsigtede livskvalitet og overlevelsesrater.

Desuden giver konventionelle lungefunktionstest som FEV₁ og diffusionskapacitet for kulilte kun en global vurdering af respirationskapaciteten, som måske ikke fuldt ud fanger de regionale ændringer i lungefunktionen, der opstår efter segmentektomi eller lobektomi. Ligeledes overser grundlæggende CT-volumetri finere anatomiske detaljer som segmental luftvejsfordeling, mikrovaskulære netværk og lokal alveolær compliance. Endvidere er der i øjeblikket mangel på direkte sammenlignende undersøgelser mellem robot-/navigationsbronkoskopisk ablation og traditionel kirurgisk resektion med hensyn til postoperativ lungefunktion og langsigtede resultater. Støttet af Research Grants Council har vores arbejde siden 2019 valideret denne tekniks gennemførlighed og sikkerhed, hvilket har ført til udbredt anerkendelse og adskillige publikationer. Dog er det meste eksisterende forskning retrospektiv eller afledt af enkeltcenters data, med et primært fokus på kortsigtede sikkerheds- og tekniske gennemførlighedsspørgsmål.

For at imødegå disse begrænsninger foreslås en integreret tilgang, der udnytter 3D-CT-billeddannelse og ML. Maskinlæring er en teknologi, der bruger algoritmer til automatisk at lære fra data og træffe forudsigelser eller beslutninger. Dyb læring, et underområde af ML, anvender flerlags neurale netværk til effektivt at ekstrahere funktioner og genkende mønstre i komplekse, højdimensionelle data. ML, og især DL, har demonstreret bemærkelsesværdig potentiale i forskellige medicinske billeddannelsesanvendelser, herunder læsionsdetektion, vævssegmentering og resultatforudsigelse. Ved automatisk at lære komplekse mønstre i højdimensionelle data kan ML- og DL-modeller fortolke subtile radiologiske karakteristika, som kan blive overset af konventionelle analyser. I forbindelse med 3D-CT-billeddannelse for NSCLC kan DL-arkitekturer – såsom konvolutionelle neurale netværk – ekstrahere detaljerede funktioner fra volumetriske scanninger, hvilket muliggør robust kvantificering af tumorstørrelse, form og placering samt forfinet vurdering af lungeparenkym. Når de integreres med lungefunktionsparametre og kliniske data, giver disse algoritmer en kraftfuld metode til at generere prædiktive modeller, identificere patienter i risiko tidligere og guide individuel behandlingsplanlægning. Desuden kan ML-drevne tilgange tilpasse sig udviklende datasæt over tid og kontinuerligt forfine og forbedre deres præstation. Denne skalerbarhed og tilpasningsevne er især værdifuld i prospektive studier, hvor store, multimodale datasæt indsamles for at evaluere den langsigtede effekt af forskellige behandlingsstrategier. Følgelig bidrager inkorporering af ML og DL i denne forskning ikke kun til at forøge præcisionen af resultatforudsigelser, men også til en standardiseret ramme for dynamisk, personlig vurdering af lungefunktionen, hvilket fører til mere informeret klinisk beslutningstagning.

Dette studiums primære mål er at afgøre, om segmentektomi virkelig tilbyder bedre funktionel bevaring end lobektomi, om robot-/navigationsstyret bronkoskopisk ablation faktisk opnår overlegen bevaring af lungefunktionen sammenlignet med traditionel kirurgisk resektion, og under hvilke specifikke patientforhold hver tilgang kan give størst fordel. Ved at gennemføre en prospektiv, veldesignet undersøgelse vil forskningen udfylde et kritisk evidenshul vedrørende langsigtede funktionelle resultater og give klarere kriterier for valg af den mest passende resektionstype. Desuden har introduktionen af et standardiseret, integreret værktøj til vurdering potentiale til at optimere kirurgisk beslutningstagning og postoperativ pleje, hvilket i sidste ende forbedrer overlevelse og livskvalitet for tidligstadie NSCLC-patienter i Hongkong og potentielt informerer om bedste praksis i andre sundhedsvæsenkontekster.