Intraoperativ ultralydsscanning til hjerne-tumor-kirurgi forbedret af AI (BrainUS-AI)

Hjernekirurgi for hjernesvulster indebærer store udfordringer på grund af hjernens komplekse anatomi og de infiltrerende læsioner, som ofte er placeret nær funktionelle områder. En af de afgørende faktorer for patientens overlevelse er omfanget af svulstresektionen, forudsat at det kan opnås uden at kompromittere den neurologiske funktion 1. For at maksimere en sikker resektion er neurokirurger afhængige af en række intraoperative hjælpemidler, herunder fluorescerende agenser, neuronavigation, direkte elektrisk stimulation og avancerede intraoperative billedteknikker, især intraoperativ magnetisk resonans (ioMRI) og intraoperativ ultralyd (ioUS) 2.

Selvom ioMRI tilbyder fremragende opløsning og nøjagtighed, begrænser dens høje omkostninger, logistiske krav og kompleksitet i integrationen dens tilgængelighed til et lille antal specialiserede centre 3. Derimod er ioUS en omkostningseffektiv, alsidig modalitet, der integreres naturligt i det kirurgiske arbejdsflow 4-6. Ikke desto mindre har dens bredere adoption været begrænset af flere faktorer: høj operatørafhængighed, en stejl læringskurve og fortolkningsudfordringer relateret til artefakter, ikke-standard billedplaner, lav kontrast mellem svulst og normal hjernevæv og et begrænset synsfelt.

Over de sidste årtier har forskning i AI-baseret segmentering af hjernesvulster udviklet sig betydeligt, men det meste arbejde har fokuseret på MRI 7. I forbindelse med ioUS har tidlige studier som Ritschel et al. 8 vist, at overvågede klassifikationsmodeller (f.eks. support vector machines) kunne skelne svulstvæv fra sundt væv i kontrastforstærket ultralyd, men disse tilgange var arbejdskrævende og begrænset til små datasæt. Ilunga-Mbuyamba et al. 9 undersøgte senere multimodal registrering mellem ioUS og MRI for at forbedre segmenteringen, men den kliniske gennemførlighed blev begrænset af behovet for præcis coregistrering. For nylig har deep learning-baserede tilgange af Canalini et al. 10 og Carton et al. 11 været anvendt til at segmentere kirurgiske huler og svulstvoluminer i ioUS-billeder.

State-of-the-art metoder såsom dem rapporteret af Faanes et al. 12, der anvender nnU-Net-arkitekturer, har opnået lovende Dice-lighedskoefficienter på 0,6-0,9 på offentlige datasæt såsom RESECT-SEG 13 og ReMIND 14. Disse modeller var dog ikke designet til realtidsinferens og har ikke gennemgået validering i levende kirurgiske miljøer. Andre tilgange, såsom den af Dorent et al. 15, har været afhængige af syntetiske ultralydsbilleder afledt af præoperativ MRI, hvilket rejser bekymringer om generaliserbarheden til reelle ioUS-data. Samlet set er den kliniske translation begrænset trods disse fremskridt på grund af de unikke udfordringer ved ioUS, herunder lavere rumlig opløsning, billedheterogenitet og variabilitet i indsamlingsprotokoller.

I andre medicinske domæner har AI-assisteret ultralydsegmentering demonstreret realtidsgennemførlighed. For eksempel implementerede Hu et al. 16 U-Net-baserede modeller til segmentering af brystlæsioner med 16 billeder pr. sekund (FPS) med Dice-scorer over 0,75, mens Wei et al. 17 anvendte YOLO-baseret detektion til at identificere karotisplakker med 98,5% nøjagtighed ved 39 FPS. På trods af deres effektivitet og nøjagtighed er lignende tilgange endnu ikke implementeret og klinisk valideret for hjernesvulstkirurgi ved hjælp af ioUS.

Vores projekt sigter mod at adressere dette hul ved at gennemføre en multicentrisk, prospektiv, ikke-randomiseret validering af en prototype deep learning-baseret segmenteringsmodel specifikt designet til realtids intraoperativ hjernesvulstultralyd. Modellen opererer ved kirurgiske billedhastigheder, idet den automatisk afgrænser svulstgrænser direkte på den levende ultralydsfeed med det formål at assistere intraoperative beslutninger, maksimere resektionsomfanget når det er onkologisk passende og bevare neurologisk funktion.

Dette studie bygger videre på vores tidligere arbejde, som har etableret en solid videnskabelig grundlag for den foreslåede validering. I vores nylige publikation, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, trænede og validerede vi en deep learning-model til hjernesvulstsegmentering ved hjælp af multicentriske data fra BraTioUS-DB – et milepæl i ioUS-forskning. I et andet studie, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, udviklede og evaluerede vi prospektivt en realtids computer vision-detektionsmodel i operationsstuen. Sammenlagt bidrager disse resultater til en robust ramme for at fremme realtids AI-baseret segmentering i intraoperativ ultralyd, direkte i overensstemmelse med formålet med nærværende studie.