HSI zur Identifizierung der intersegmentalen Ebene während sublobärer Lungenresektionen (HYPER-Seg)

Lungenkrebs ist weltweit die häufigste krebsbedingte Todesursache. Aufgrund der Verallgemeinerung von Screening-Strategien, insbesondere für Risikopopulationen, werden immer mehr Lungenkrebsfälle in einem frühen Stadium erkannt. In diesem Zusammenhang wird Lungenkrebs auch zunehmend bei Patienten mit eingeschränkter Lungenfunktion diagnostiziert. Zur Erhaltung der Lungenfunktion und Reduzierung der Komplikationsinzidenz werden derzeit Lungensegmentektomien in dieser Kohorte evaluiert. So empfiehlt die neueste Version der deutschen Leitlinie zur Prävention, Diagnostik, Therapie und Nachsorge des Lungenkrebses die Segmentektomie bei Patienten mit eingeschränkter Lungenfunktion im Tumorstadium I/II. Die Identifizierung der Intersegmentalebene – der Schlüsselschritt der Segmentektomie – bleibt jedoch eine Herausforderung. Eine ungenaue Erkennung der Intersegmentalebene kann zu einer Dysfunktion des verbleibenden Lungengewebes, einer Fehlanpassung der Ventilation oder des Blutflusses oder zu einem langfristigen Luftleck nach der Operation führen, was sogar eine ungeplante sekundäre Operation erforderlich macht. Indocyaningrün (ICG) ist eines der neusten evaluierten Identifizierungsverfahren und gilt als Goldstandard. Hyperspectral Imaging (HSI) – ein neu etabliertes intraoperatives Bildgebungsverfahren – ermöglicht eine nicht-invasive Beurteilung der Gewebedurchblutung und die Unterscheidung von Lungengewebe mit unterschiedlicher Gewebedurchblutung bei Segmentektomien.

Der Zweck dieser prospektiven, monozentrischen, nicht unterlegenen IDEAL-Studie der Stufe 2b ist die Identifizierung der intersegmentalen Ebene und Navigation während sublobärer Lungenresektionen bei Lungenkrebs unter Verwendung von Hyperspectral Imaging, der Vergleich mit der Identifizierung der intersegmentalen Ebene mit ICG-Fluoreszenz und die Etablierung von automatische intersegmentale Ebenennavigation unter Verwendung von maschinellen Lernstrategien für die intraoperative Navigation.

Dazu wird bei Lungensegmentektomien die Intersegmentalebene sowohl durch HSI- als auch durch ICG-Fluoreszenz erfasst und die Übereinstimmung der beiden Identifikationsmethoden miteinander verglichen. Unter Verwendung von maschinellen Lernstrategien wird die Erkennung von perfundiertem und nicht perfundiertem Lungengewebe und der intersegmentalen Ebene analysiert. Schließlich werden die Forscher die Bewegungsverfolgung zur Verbesserung zukünftiger HSI-Darstellungen während der Operation untersuchen.

Die Hypothese dieser Studie ist, dass HSI die intraoperative Navigation während pulmonaler Segmentektomien verbessern könnte, indem es eine ebenso zuverlässige Identifizierung der intersegmentalen Ebene wie der Goldstandard der Indocyaningrün-Fluoreszenz bietet. In diesem Fall wäre eine intravenöse Applikation von Fluoreszenzfarbstoff zur Identifizierung der Intersegmentalebene nicht mehr erforderlich.

Bei komplexen Segmentresektionen ist aufgrund der kurzen pulmonalen Zirkulationszeit eine große Menge oder wiederholte Anwendung von ICG erforderlich. Die mehrfache Anwendung von ICG kann dazu führen, dass ICG über den Bronchialkreislauf in das Zielgewebe der Lunge gelangt und das Risiko unerwünschter Arzneimittelwirkungen von ICG erhöht. Im Gegensatz dazu wären die Vorteile von HSI eine schnellere und sich wiederholende Messung während der Operation. Es besteht die Möglichkeit, die Gesamtmesszeit während der intersegmentalen Ebenendissektion (10 Sekunden vs. 3 Minuten / Messung) und damit die Belastung des Patienten zu reduzieren. In diesem Zusammenhang zeigten mehrere Studien zur HSI-basierten Perfusionsmessung bei Ösophagus- oder Darmoperationen bereits ein verbessertes Outcome der Patienten. Darüber hinaus kann HSI für Operationen bei Patienten mit Hyperthyreose oder eingeschränkter Nieren- oder Leberfunktion verwendet werden.

Um diese Hypothese zu untermauern, wird in dieser Studie ein prospektives Studiendesign zur Nichtunterlegenheit verwendet. Um die Qualität der Datenerfassung und -berichterstattung sicherzustellen, wird die Studie gemäß den IDEAL-Richtlinien für die Berichterstattung durchgeführt. Bei Lungensegmentektomien wird die Intersegmentalebene sowohl durch HSI- als auch durch ICG-Fluoreszenz identifiziert. Der ermittelte HSI-Intersegmentrand wird mit der Ground-Truth-ICG-Fluoreszenz verglichen und die Durchführbarkeit und Reproduzierbarkeit von HSI- und ICG-Mapping wird untersucht.

Methoden des maschinellen Lernens haben die Interpretation subtiler Muster in medizinischen Bilddaten stark verbessert. Convolutional Neural Networks (CNNs) können als Stand der Technik für die Klassifizierung und Segmentierung medizinischer Bilder angesehen werden. Die Forscher werden CNN-basierte Methoden für die HSI-Klassifizierung erweitern und insbesondere die Patch-basierte Differenzierung zwischen perfundiertem und nicht perfundiertem Gewebe unter Verwendung von ICG- und HSI-Daten untersuchen, die an derselben Position erfasst wurden. Eine weitere Herausforderung ist die relativ langsame Erfassung von HSI (10 Sekunden/Messung), die es anfällig für Bewegungsartefakte macht, z. B. aufgrund pulsierender Bewegung. Um dem entgegenzuwirken, werden die Forscher das Bewegungstracking untersuchen, das auch für die zukünftige Darstellung der Segmentgrenze während der Operation relevant ist.

Machine-Learning-Ansätze und insbesondere CNNs ermöglichen es, Klassifikatoren direkt auf der Grundlage tatsächlicher klinischer Daten zu optimieren, und die spektrale Dimension kann auf einfache Weise gehandhabt werden. Darüber hinaus können CNNs als vielseitige Methode zur Bildverarbeitung auch zur Lokalisierung und Bewegungskompensation während der intraoperativen Bildgebung verwendet werden, z. B. können sie darauf trainiert werden, Bildmerkmale und deren Bewegung in Rot/Grün/Blau-Bildströmen zu erkennen. Dies ist für die vorgeschlagene HSI-Datenerfassung interessant, die auf einer Folge von Messungen basiert, die empfindlich auf Gewebebewegungen reagieren.