Studie zur Klassifizierungsmethode der Indocyaningrün-Lympographie basierend auf Deep Learning (BCRL；ICG)

Das brustkrebsbedingte Lymphödem (BCRL) ist die häufigste Komplikation nach einer Brustkrebsoperation und stellt für die Patientinnen eine schwere psychische und spirituelle Belastung dar. Die Diagnose und Behandlung von Lymphödemen war lange Zeit ein schwieriger Punkt in der in- und ausländischen Forschung. Dies liegt zu einem großen Teil daran, dass die meisten Patienten, die zum Arzt kommen, bereits ein offensichtliches Lymphödem entwickelt haben und die inneren Lymphgefäße einen pathologischen Umbau erfahren haben.[1] Daher ist es besonders wichtig, Lymphödeme frühzeitig zu erkennen und rechtzeitig einzugreifen durch den Einsatz sensibler Screening-Tools. Die Indocyaningrün-Lymphangiographie (ICG) ist eine relativ neue Methode, die den oberflächlichen Lymphfluss in Echtzeit und schnell darstellen kann und nicht durch Radioaktivität beeinträchtigt wird [7]. Im Jahr 2007 wurde erstmals die Indocyaningrün-Lymphographie zur Beurteilung der Funktion oberflächlicher Lymphgefäße eingesetzt. Im Jahr 2011 fanden japanische Wissenschaftler anhand von ICG-Lymphographiedaten bei 20 Patientinnen mit Lymphödem nach einer Brustkrebsoperation Hautrefluxzeichen, die je nach Schweregrad grob in drei Typen eingeteilt wurden: Spritzer, Sternhaufen und diffus (Abbildung 1) [8]. ]. Später, im Jahr 2016, bestätigte eine prospektive Studie mit 196 Personen den Wert der ICG-Lymphographie bei der Frühdiagnose von Lymphödemen und machte die Bilder der ICG-Lymphographie spezifischer für die Stadien 0–5 [9], aber die Einstufung basiert immer noch auf den drei Arten von Hautrefluxsymptomen, die in einer kleinen klinischen Stichprobenstudie aus dem Jahr 2011 gefunden wurden, die jedoch nicht vollständig auf tatsächliche klinische Anwendungen anwendbar ist. Wenn bei der ICG-Lymphangiographie außerdem abnormale Hautrefluxsymptome auftreten, mangelt es an Forschung und Erforschung der pathophysiologischen Veränderungen, die im Körper auftreten. Daher hofft diese Forschung, die Bildmerkmale der ICG-Lymphographie durch maschinelles Lernen (Deep Learning) zu verfeinern und ein PKUPH-Modell zur Diagnose früher Lymphödeme durch Staging der Bildmerkmale zu etablieren.