Intraoperative UNTERSUCHUNG mit MAchine-learning-basiertem HYperspectral für Diagnose und autonome Anatomiebeurteilung (iEXMachyna3)

Das intraoperative Erkennen von Zielstrukturen, die erhalten oder selektiv entfernt werden müssen, ist bei chirurgischen Eingriffen von größter Bedeutung. Diese Aufgabe hängt hauptsächlich von den anatomischen Kenntnissen und der Erfahrung des Bedieners ab. Im Rahmen der minimalinvasiven Chirurgie gibt es ein reduziertes taktiles Feedback und das Sehvermögen des Chirurgen ist der einzige Anhaltspunkt, um die Gewebe zu unterscheiden. Eine falsche Wahrnehmung der Anatomie aufgrund patientenspezifischer pathologischer Zustände und/oder der Unerfahrenheit des Chirurgen kann zu einem erhöhten Risiko einer iatrogenen Verletzung kritischer anatomischer Strukturen führen und verheerende Folgen haben. Hyperspectral Imaging (HSI) stellt eine vielversprechende Technologie dar, die eine Fotokamera mit einem Spektrometer kombiniert und in der Lage ist, eine große Fläche kontrastfrei in Echtzeit optisch abzutasten und dabei sowohl räumliche als auch spektrale Informationen zu liefern die Wechselwirkung zwischen Gewebe und Licht. Die Technologie basiert auf der Verwendung von reflexionsspektroskopischen Bildgebungsmessungen. Die Messung besteht aus der Bestrahlung der Fläche mit weißem Licht (normale Halogenlampen, in gesundheitlich unbedenklicher Intensität) und der Aufnahme der von der Fläche remittierten spektralen Intensitäten in Form von Remissionsspektren. Die optische Wechselwirkung (Streuung, Absorption) des einfallenden Lichts mit den verschiedenen Komponenten (einschließlich der Tiefe) des Zielmaterials (z. biologisches Gewebe) verändert die spektrale Verteilung des Lichts, sodass das remittierte Licht Informationen über die aktuelle Material- oder Gewebezusammensetzung und -physiologie (z. Durchblutung). HSI ist eine bereits etablierte Methode zur objektiven Klassifizierung von Bildinformationen in einer Reihe von wissenschaftlichen Bereichen (z. Fernerkundung), die erstmals vor etwa 15 Jahren im Bereich der Humanmedizin angewendet wurde. Aufgrund der intrinsischen Vorteile der zerstörungsfreien Probenentnahme, der Schnittstellenmöglichkeiten mit gängigen optischen Modalitäten (Mikroskop, Endoskop) und der quantitativen, untersucherunabhängigen Ergebnisse wurden inzwischen verschiedene Ansätze entwickelt, um das Potenzial der hyperspektralen Bildgebung in der Medizin nutzbar zu machen.

Seine Nützlichkeit im biomedizinischen Bereich wurde bereits ausgiebig bewiesen. Es wurde zuvor in der Verdauungschirurgie zur Quantifizierung von sauerstoffreichem Hämoglobin im Darm während mehrerer Eingriffe oder im Falle einer mesenterialen Ischämie eingesetzt. Eine Reihe früherer Arbeiten konzentrierte sich erfolgreich auf die Fähigkeit von HSI, zwischen normalem und Tumorgewebe bei Prostatakrebs, Darmkrebs, Magenkrebs, Glioblastom, Kopf- und Halskrebs zu unterscheiden. Auf dem Gebiet der Onkologie waren die Fortschritte bei der Klassifizierung hyperspektraler Merkmale bemerkenswert und führten zum erfolgreichen Einsatz hochentwickelter Deep-Learning-Algorithmen. In der Chirurgie wurde die Nützlichkeit der HSI-Kamera untersucht, um das Operationsfeld bei schwerer Blutung zu visualisieren oder das Vorhandensein von Tumoren innerhalb der Resektionsränder nach chirurgischer Exzision zu erkennen.

Eine japanische Gruppe verwendete ein HSI-System als zusätzliches Visualisierungstool, um eine intestinale Ischämie zu erkennen und auch um die intraabdominale Anatomie zu klassifizieren. Sie identifizierten eine bestimmte Wellenlänge (756-830 nm) zur Unterscheidung zwischen gesundem und weniger durchblutetem Darm. Sie zeigten auch, dass Milz, Dickdarm, Dünndarm, Harnblase und Bauchfell unterschiedliche spektrale Merkmale aufweisen. Diese Erkenntnis könnte in Zukunft eine HSI-basierte Navigation des Operationsfeldes ermöglichen. Unsere Gruppe hat kürzlich HSI als intraoperatives Werkzeug im Schweinemodell eingesetzt, um die Perfusion der Organe des Gastrointestinaltrakts gegen robuste biologische Marker zu quantifizieren. Die Ergebnisse zeigten, dass diese Technologie in der Lage ist, die Darmdurchblutung mit einem hohen Maß an Präzision zu quantifizieren.

Andere Gruppen versuchten zuvor, den Gallengang von den Gefäßen, die Speiseröhre vom Trachealgewebe, die Schilddrüse von der Nebenschilddrüse, Nerven und Harnleiter vom umgebenden Gewebe zu unterscheiden. Diese früheren Arbeiten, die auf das Erkennen von anatomischen Schlüsselstrukturen gerichtet waren, wurden jedoch entweder unter Verwendung einfacher Merkmalunterscheidungsalgorithmen oder Bandauswahlverfahren durchgeführt. Die Menge an Informationen, die nach jeder Erfassung gewonnen wird, variiert je nach Kameraauflösung, ist jedoch ziemlich groß, daher sind maschinelle und Deep-Learning-Techniken für die Datenklassifizierung und Merkmalsextraktion erforderlich. In einer Reihe von kontrollierten Experimenten im Schweinemodell wurden hyperspektrale Signaturen erfolgreich verwendet, gekoppelt mit maschinellen Lernalgorithmen, um feine anatomische Strukturen wie Nerven oder Harnleiter intraoperativ zu unterscheiden (unveröffentlichte Daten).

Die i-EX-MACHYNA3-Studie zielt darauf ab, die HSI-Technologie in Kombination mit mehreren Deep-Learning-Algorithmen zu übersetzen, um zwischen verschiedenen Klassen menschlicher Gewebe (einschließlich wichtiger anatomischer Strukturen wie BD, Nerven und Harnleiter) zu unterscheiden.