CLASSICA: Validierung von KI bei der Klassifizierung von Krebs in Echtzeitchirurgie Studie 1

Rektumpolypen > 2 cm Größe (von denen allein in Europa jährlich ca. 10.000 Patienten betroffen sind) stellen eine erhebliche klinische Herausforderung dar. Während kleinere Polypen durch eine routinemäßige endoskopische Polypektomie behandelt werden können und ein offener klinischer Krebs durch ein traditionelles Paradigma der Krebschirurgie fortschreiten wird, haben Polypen dieser Größe die Möglichkeit, lokal exzidiert zu werden, intakt durch eine transanale endoskopische Resektion (auch als transanale minimal invasive Chirurgie bezeichnet). TAMIS). Dies ist die Behandlung der Wahl an dieser Stelle, da sie im Gegensatz zu anderen Modalitäten (z. endoskopische submuköse Resektion). Während die Technologie und das Training zur Ermöglichung der transanalen Resektion in den letzten zehn Jahren viel besser verfügbar geworden sind (insbesondere TAMIS), was bedeutet, dass mehr Patienten große gutartige Läsionen und sogar einige frühe Rektumkarzinome in ihren lokalen Spezialzentren exzidieren können, ist dies jetzt die größte Bremse für eine solche Versorgung ist die Patientenauswahl: d.h. wie kann man vor der Resektion feststellen, ob ein bestimmter Patient einen gutartigen Polypen oder Krebs hat.

Endoskopische Biopsien sind bei bis zu 20 % solcher Läsionen notorisch ungenau (Rektumkarzinome beginnen meistens als adenomatöse Läsionen, und daher können oberflächliche Biopsien einen malignen Fokus übersehen). Einen Krebs fälschlicherweise als gutartige Läsion zu identifizieren und ihn durch lokale Exzision zu behandeln, verschlechtert die Prognose erheblich und beeinträchtigt die nachfolgende Krebsoperation - einschließlich der potenziellen Umwandlung einer rekonstruierbaren Resektionsstelle (d. h. einer Läsion, die für eine vordere Resektion geeignet ist) in eine nicht rekonstruierbare (d. h. eine abdominoperineale Resektion mit permanenter Kolostomie erforderlich ist) und durch Aussaat von Krebszellen in einen tiefen Rand oder eine andere Ebene, insbesondere wie im Fall von anterior positionierten Läsionen. Darüber hinaus haben transanale Exzisionstechniken weiterhin relativ hohe Raten positiver Ränder; dies riskiert ein erneutes Wachstum in gutartigen Läsionen und begrenzt eine wirksame lokale Therapie für Krebs im Frühstadium aufgrund des Vorhandenseins einer inapparenten Erkrankung in der Nähe der Haupttumormasse.

Wir haben zuvor durch die Verwendung von fluoreszierendem Indocyaningrün (ICG) gezeigt, dass die Durchblutung zwischen Tumor und gesundem Gewebe sichtbar unterschiedlich ist. Dieser Unterschied kann per Infrarotvideo erfasst werden, und die mathematische Analyse kann das Perfusionsmuster bösartiger Bereiche von jedem gutartigen/normalen Gewebe unterscheiden, das auch in derselben endoskopischen Ansicht sichtbar ist. Kurz gesagt, die Sättigung der Fluoreszenz in jedem interessierenden Bereich (dh Tumor oder Bereich normaler Schleimhaut) kann aus dem aufgezeichneten Video unter Verwendung von vorhandener, von IBM entwickelter Software gemessen werden. Die Änderung der Fluoreszenz über die Zeit kann in einer Kurve aufgetragen werden, die den Zufluss, den Peak und den Abfluss von ICG zeigt, was von den Perfusionsmustern innerhalb des interessierenden Bereichs abhängt. Diese Kurven unterscheiden sich je nach untersuchtem Gewebe und können daher verwendet werden, um gutartige von bösartigen Tumoren zu klassifizieren, indem die Steigung der Aufnahme und die Fläche unter der Kurve berechnet wird, um den Abfluss zu messen. Daher kann an einer Stelle (z. B. dem Rektum), an der ein Krebs vermutet wird, die Analyse des Videos verwendet werden, um zwischen gesundem und kanzerösem Gewebe zu unterscheiden. Diese Entdeckung kann durch die Anwendung von KI-Methoden wie Computer Vision und maschinelles Lernen für den klinischen Einsatz genutzt werden. Im Wesentlichen variiert die Fluoreszenzintensität von Pixeln, die interessierende Gewebe anzeigen, mit dem Blutfluss (Perfusion), wenn das Blut mit ICG gefärbt und mit Nahinfrarotlicht (NIR) beleuchtet wird. Die Intensität wird über die Zeit aus mehreren Videoframes erfasst und diese Intensität wird als Kurve aufgetragen. Die Intensitätskurven von Tumorgewebe unterscheiden sich von denen gesunden Gewebes und die von gutartigen Tumoren unterscheiden sich von bösartigen Tumoren. Eine Analyse der Kurvenmerkmale für jedes Pixel in einem interessierenden Bereich kann somit zu einer Klassifizierung führen.

Ein solches KI-System wurde zuvor im Mater Hospital mit Videos von einer Population irischer Krebspatienten aus zwei regionalen Zentren prototypisiert und trainiert, sodass es automatisch bösartige Tumore und gutartige Läsionen aus gesundem Gewebe anhand ihrer Perfusionsmuster identifizieren kann. Dieser Prototyp hat zuvor eine Genauigkeit von >80 % gezeigt.

In dieser Studie validieren wir klinisch das grundlegende Konzept oder die Methode zur Klassifizierung von Gewebe anhand seiner Fluoreszenzsignaleigenschaften und prüfen gleichzeitig, ob auf dieser Grundlage ein Gerät gebaut werden kann, das die Daten extrapolieren kann, die von den UCD-Mitarbeitern aus den Videos generiert werden. Wir sprechen auch die Frage der Verallgemeinerbarkeit an – können andere Chirurgen das System verwenden und ähnliche Ergebnisse bei ihren spezifischen Patientenkohorten erzielen? Dies wird den Weg für zukünftige Studien ebnen, die geplant sind, um die Rolle der Biopsie zu bestimmen (kann das System eine optimale Auswahl des biopsierten Gewebes ermöglichen und somit Biopsiefehler reduzieren?); und Tumorresektion (kann das System die Vollständigkeit und Genauigkeit der Tumorresektion erhöhen?).