Intraoperativer Ultraschall für Hirntumorchirurgie, verbessert durch KI (BrainUS-AI)

Die Hirntumorchirurgie stellt aufgrund der komplexen Anatomie des Gehirns und der infiltrativen Natur dieser Läsionen, die oft in der Nähe eloquenter Areale liegen, große Herausforderungen dar. Einer der entscheidenden Faktoren für das Überleben der Patienten ist das Ausmaß der Tumorresektion, vorausgesetzt, sie kann ohne Beeinträchtigung der neurologischen Funktion erreicht werden 1. Um eine sichere Resektion zu maximieren, stützen sich Neurochirurgen auf eine Vielzahl intraoperativer Hilfsmittel, darunter fluoreszierende Agenzien, Neuronavigation, direkte elektrische Stimulation und fortschrittliche intraoperative Bildgebungstechniken, insbesondere intraoperative Magnetresonanztomographie (ioMRI) und intraoperativer Ultraschall (ioUS) 2.

Obwohl ioMRI eine hervorragende Auflösung und Genauigkeit bietet, schränken die hohen Kosten, logistischen Anforderungen und die Komplexität der Integration seine Verfügbarkeit auf eine kleine Anzahl spezialisierter Zentren ein 3. Im Gegensatz dazu ist ioUS eine kostengünstige, vielseitige Modalität, die sich nahtlos in den chirurgischen Workflow integriert 4-6. Dennoch wurde seine breitere Einführung durch mehrere Faktoren begrenzt: hohe Abhängigkeit vom Bediener, steile Lernkurve und Interpretationsschwierigkeiten im Zusammenhang mit Artefakten, nicht standardisierten Bildgebungsebenen, geringem Kontrast zwischen Tumor und normalem Hirngewebe sowie einem eingeschränkten Sichtfeld.

In den letzten Jahrzehnten hat die Forschung zur KI-basierten Segmentierung von Hirntumoren erheblich Fortschritte gemacht, aber die meisten Arbeiten konzentrierten sich auf die MRT 7. Im Kontext von ioUS zeigten frühe Studien wie die von Ritschel et al. 8, dass überwachte Klassifikationsmodelle (z. B. Support-Vector-Machines) Tumor von gesundem Gewebe in kontrastverstärktem Ultraschall unterscheiden konnten, doch waren diese Ansätze arbeitsintensiv und auf kleine Datensätze beschränkt. Ilunga-Mbuyamba et al. 9 untersuchten später die multimodale Registrierung zwischen ioUS und MRT zur Verbesserung der Segmentierung, aber die klinische Machbarkeit wurde durch die Notwendigkeit einer genauen Koregistrierung eingeschränkt. In jüngerer Zeit wurden tiefenlernbasierte Ansätze von Canalini et al. 10 und Carton et al. 11 zur Segmentierung von chirurgischen Kavitäten und Tumorvolumina in ioUS-Bildern angewendet.

Moderne Methoden wie die von Faanes et al. 12 beschriebenen, die nnU-Net-Architekturen verwenden, haben vielversprechende Dice-Koeffizienten von 0,6-0,9 auf öffentlichen Datensätzen wie RESECT-SEG 13 und ReMIND 14 erreicht. Diese Modelle wurden jedoch nicht für Echtzeit-Inferenz entwickelt und wurden nicht in Live-Chirurgie-Umgebungen validiert. Andere Ansätze, wie der von Dorent et al. 15, stützten sich auf synthetische Ultraschallbilder, die aus präoperativer MRT abgeleitet wurden, was Bedenken hinsichtlich der Übertragbarkeit auf echte ioUS-Daten aufwirft. Insgesamt bleibt die klinische Translation trotz dieser Fortschritte aufgrund der einzigartigen Herausforderungen von ioUS begrenzt, einschließlich geringerer räumlicher Auflösung, Bildheterogenität und Variabilität in den Akquisitionsprotokollen.

In anderen medizinischen Bereichen hat die KI-gestützte Ultraschallsegmentierung Echtzeit-Machbarkeit demonstriert. Zum Beispiel implementierten Hu et al. 16 U-Net-basierte Modelle für die Segmentierung von Brustläsionen mit 16 Bildern pro Sekunde (FPS) und Dice-Werten über 0,75, während Wei et al. 17 YOLO-basierte Detektion zur Identifizierung von Karotisplaques mit 98,5 % Genauigkeit bei 39 FPS anwendeten. Trotz ihrer Effizienz und Genauigkeit wurden ähnliche Ansätze für die Hirntumorchirurgie mit ioUS noch nicht implementiert und klinisch validiert.

Unser Projekt zielt darauf ab, diese Lücke zu schließen, indem wir eine multizentrische, prospektive, nicht randomisierte Validierung eines Prototyps eines tiefenlernbasierten Segmentierungsmodells durchführen, das speziell für Echtzeit-intraoperativen Hirntumor-Ultraschall entwickelt wurde. Das Modell arbeitet mit chirurgischen Bildraten, um Tumorränder direkt auf dem Live-Ultraschall-Feed automatisch zu umreißen, mit dem Ziel, die intraoperative Entscheidungsfindung zu unterstützen, das Resektionsausmaß bei onkologischer Angemessenheit zu maximieren und die neurologische Funktion zu erhalten.

Diese Studie baut auf unserer bisherigen Arbeit auf, die eine solide wissenschaftliche Grundlage für die vorgeschlagene Validierung geschaffen hat. In unserer jüngsten Veröffentlichung, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, trainierten und validierten wir ein Deep-Learning-Modell für die Hirntumorsegmentierung unter Verwendung multizentrischer Daten aus BraTioUS-DB – ein Meilenstein in der ioUS-Forschung. In einer zweiten Studie, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, entwickelten und evaluierten wir prospektiv ein Echtzeit-Computervision-Detektionsmodell im Operationssaal. Zusammen bieten diese Beiträge einen robusten Rahmen für die Weiterentwicklung der Echtzeit-KI-basierten Segmentierung im intraoperativen Ultraschall, der direkt mit den Zielen der vorliegenden Studie übereinstimmt.