Postoperative Beurteilung der Lungenfunktion basierend auf Deep-Learning-Studie

Verbesserungen im Niedrigdosis-CT-Screening haben zu einer Zunahme von Frühdiagnosen des nicht-kleinzelligen Lungenkarzinoms (NSCLC) geführt, wobei die chirurgische Resektion – in der Regel Lobektomie oder Segmentektomie – die primäre kurative Option bleibt. In Hongkong jedoch weisen Patienten häufig Komorbiditäten wie chronische Atemwegserkrankungen oder kardiovaskuläre Probleme auf, was den Erhalt von gesundem Lungengewebe für ihre langfristige Lebensqualität entscheidend macht. Die traditionelle chirurgische Resektion, wie Lobektomie oder Segmentektomie, weist bestimmte Einschränkungen hinsichtlich der Funktionserhaltung auf. Im Gegensatz dazu hat sich in den letzten Jahren die roboter-/navigationsgesteuerte bronchoskopische Ablation als neuartige minimal-invasive endoskopische Behandlungsstrategie etabliert. Dieser Ansatz wurde in ausgewählten Zentren implementiert und zeigt potenzielle Vorteile, einschließlich schnellerer postoperativer Erholung, reduziertem Trauma und verbesserter Erhaltung der Lungenfunktion. Durch Nutzung fortschrittlicher Navigationssysteme ermöglicht die bronchoskopische Ablation eine präzise Lokalisierung und Ablation von Lungenknoten und vermeidet die umfangreiche Resektion von gesundem Lungengewebe, die bei traditioneller Chirurgie erforderlich ist. Diese Vorteile versprechen eine Verbesserung der langfristigen Lebensqualität und Überlebensraten der Patienten.

Darüber hinaus bieten konventionelle Lungenfunktionstests wie FEV₁ und Diffusionskapazität der Lunge für Kohlenmonoxid nur eine globale Bewertung der Atemkapazität, die die regionalen Veränderungen der Lungenfunktion nach Segmentektomie oder Lobektomie möglicherweise nicht vollständig erfassen. Ebenso übersieht die grundlegende CT-Volumetrie feinere anatomische Details wie die segmentale Atemwegverteilung, mikrovaskuläre Netzwerke und lokale alveoläre Compliance. Zudem gibt es derzeit nur wenige direkte Vergleichsstudien zwischen roboter-/navigationsgesteuerter bronchoskopischer Ablation und traditioneller chirurgischer Resektion hinsichtlich postoperativer Lungenfunktion und Langzeitergebnissen. Unterstützt durch den Research Grants Council hat unsere Arbeit seit 2019 die Machbarkeit und Sicherheit dieser Technik validiert, was zu breiter Anerkennung und zahlreichen Veröffentlichungen geführt hat. Die meisten bestehenden Forschungen sind jedoch retrospektiv oder stammen aus Einzelzentrumsdaten, mit einem primären Fokus auf kurzfristige Sicherheit und technische Machbarkeit.

Um diese Einschränkungen zu adressieren, wird ein integrativer Ansatz vorgeschlagen, der 3D-CT-Bildgebung und maschinelles Lernen (ML) nutzt. Maschinelles Lernen ist eine Technologie, die Algorithmen verwendet, um automatisch aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Deep Learning, ein Teilgebiet des ML, nutzt mehrschichtige neuronale Netze, um effektiv Merkmale zu extrahieren und Muster in komplexen, hochdimensionalen Daten zu erkennen. ML, und insbesondere DL, hat bemerkenswertes Potenzial in verschiedenen medizinischen Bildgebungsanwendungen gezeigt, einschließlich Läsionsdetektion, Gewebesegmentierung und Ergebnisvorhersage. Durch automatisches Lernen komplexer Muster in hochdimensionalen Daten können ML- und DL-Modelle subtile radiologische Merkmale interpretieren, die bei konventionellen Analysen übersehen werden könnten. Im Kontext der 3D-CT-Bildgebung für NSCLC können DL-Architekturen – wie Convolutional Neural Networks – detaillierte Merkmale aus volumetrischen Scans extrahieren, was eine robuste Quantifizierung von Tumorgröße, -form und -lage sowie eine verfeinerte Bewertung des Lungenparenchyms ermöglicht. In Kombination mit Lungenfunktionsparametern und klinischen Daten bieten diese Algorithmen ein leistungsstarkes Mittel, um prädiktive Modelle zu generieren, Risikopatienten früher zu identifizieren und individuelle Behandlungsplanung zu leiten. Darüber hinaus können ML-gestützte Ansätze sich im Laufe der Zeit an sich entwickelnde Datensätze anpassen und ihre Leistung kontinuierlich verfeinern und verbessern. Diese Skalierbarkeit und Anpassungsfähigkeit sind besonders wertvoll in prospektiven Studien, in denen große, multimodale Datensätze gesammelt werden, um die langfristigen Auswirkungen verschiedener Behandlungsstrategien zu bewerten. Folglich trägt die Einbeziehung von ML und DL in diese Forschung nicht nur zur Präzision der Ergebnisvorhersage bei, sondern leistet auch einen Beitrag zu einem standardisierten Rahmen für die dynamische, personalisierte Bewertung der Lungenfunktion, was zu fundierteren klinischen Entscheidungen führt.

Das primäre Ziel dieser Studie ist es, festzustellen, ob die Segmentektomie tatsächlich eine bessere Funktionserhaltung als die Lobektomie bietet, ob die roboter-/navigationsgesteuerte bronchoskopische Ablation im Vergleich zur traditionellen chirurgischen Resektion tatsächlich eine überlegene Erhaltung der Lungenfunktion erreicht und unter welchen spezifischen Patientenbedinungen jeder Ansatz den größten Nutzen bringen kann. Durch eine prospektive, gut konzipierte Untersuchung wird die Forschung eine kritische Lücke in der Evidenz bezüglich langfristiger funktioneller Ergebnisse schließen und klarere Kriterien für die Auswahl des am besten geeigneten Resektionstyps liefern. Darüber hinaus hat die Einführung eines standardisierten, integrativen Bewertungstools das Potenzial, die chirurgische Entscheidungsfindung und postoperative Versorgung zu optimieren, was letztendlich das Überleben und die Lebensqualität von Patienten mit Frühstadium-NSCLC in Hongkong verbessert und möglicherweise Best Practices in anderen Gesundheitssystemen informiert.