Tiefenlernbasierte intraoperative Videoanalyse mit Dual-Tracer für die Sentinel-Lymphknoten-Kartierung zur Metastasenvorhersage bei cN0 papillärem Schilddrüsenkarzinom

HINTERGRUND UND BEGRÜNDUNG:

Das papilläre Schilddrüsenkarzinom (PTC) ist weltweit eine der am schnellsten wachsenden Krebsarten. Eine große Herausforderung bei der Behandlung von PTC besteht darin, dass 30 % bis 80 % der Patienten, die vor der Operation keine Lymphknotenbeteiligung zu haben scheinen (klinisch knotennegativ oder cN0), tatsächlich eine versteckte (okkulte) Krebsausbreitung in ihre Lymphknoten aufweisen. Aktuelle bildgebende Verfahren wie Ultraschall übersehen diese kleinen Bereiche der Krebsausbreitung oft.

Dies stellt Chirurgen vor eine schwierige Entscheidung: Das Entfernen zu vieler Lymphknoten erhöht das Risiko von Komplikationen wie Schäden an den Nebenschilddrüsen (die den Kalziumspiegel kontrollieren) und den Nerven, die die Stimme steuern. Das Entfernen zu weniger Lymphknoten kann jedoch Krebs zurücklassen, was zu einem Rückfall führen kann.

Die Sentinel-Lymphknoten (SLN)-Kartierung ist eine Technik, die die ersten Lymphknoten identifiziert, die von einem Tumor drainieren. Die Idee ist, dass sich Krebs, wenn er sich über das Lymphsystem ausbreitet, zuerst diesen Wächterknoten erreicht. Aktuelle Einzelmarker-Methoden für die SLN-Kartierung bei Schilddrüsenkrebs haben jedoch Einschränkungen und variable Ergebnisse.

Diese Studie verwendet einen Zweifachmarker-Ansatz, der zwei verschiedene Farbstoffe kombiniert:

1. Kohlenstoff-Nanopartikel (CNs): Diese bieten eine langanhaltende schwarze Färbung, die Chirurgen hilft, Lymphknoten klar zu sehen.
2. Indocyaningrün (ICG): Dieser Farbstoff leuchtet unter nahem Infrarotlicht und ermöglicht eine Echtzeit-Visualisierung des Lymphflusses.

Durch die Kombination dieser beiden Marker können Chirurgen sowohl die Struktur der Lymphknoten als auch den zeitlichen Verlauf des Lymphflusses durch sie sehen.

STUDIENDESIGN:

Dies ist eine prospektive, monozentrische, beobachtende Kohortenstudie. Die Studie ändert nicht die chirurgische Behandlung, die die Teilnehmer erhalten. Alle Teilnehmer unterziehen sich einer Standardoperation bei Schilddrüsenkrebs mit Lymphknotenentfernung, wie von ihrem Operationsteam festgelegt.

STUDIENPROZEDUREN:

1. Präoperative Beurteilung:

   Alle Teilnehmer unterziehen sich einer standardmäßigen präoperativen Untersuchung, einschließlich:

   • Körperliche Untersuchung
   • Schilddrüsenultraschall mit detaillierter Lymphknotenbeurteilung
   • Feinnadelaspirationsbiopsie zur Bestätigung der PTC-Diagnose
   • Gentests auf häufige Mutationen (wie BRAF)
   • Standard-Blutuntersuchungen

2. Chirurgischer Eingriff:

   Während der Operation erhalten die Teilnehmer die Zweifachmarker-Injektion unter Ultraschallführung. Die Injektion wird an mehreren Punkten um den Schilddrüsentumor herum verabreicht. Die spezifische Zubereitung ist:

   • 0,1 ml ICG-Lösung (Konzentration: 2,5 mg/ml)
   • 0,1 ml Kohlenstoff-Nanopartikel-Suspension (Konzentration: 50 mg/ml) Diese werden zusammengemischt und mit einer präzisen Multipunkt-Technik injiziert.

3. Videoaufzeichnung:

   Ein Nahinfrarot-Fluoreszenz-Bildgebungssystem zeichnet den gesamten Prozess der Lymphknotenvisualisierung auf. Die Aufzeichnung erfasst:

   • Wie sich die Farbstoffe durch die Lymphkanäle ausbreiten
   • Wann jeder Lymphknoten erstmals sichtbar wird
   • Wie sich das Fluoreszenzsignal im Laufe der Zeit verändert
   • Das Muster der Lymphdrainage

   Videos werden in hoher Auflösung (1920 × 1080 Pixel) mit etwa 30 Bildern pro Sekunde aufgezeichnet. Ein standardisiertes 3-Minuten-Segment wird aus jedem Video für die Analyse extrahiert, was 150 Bilder pro Patient ergibt.

4. Chirurgische Entscheidungen:

   Der Sentinel-Lymphknoten (der erste Knoten, der aufleuchtet) wird entfernt und zur sofortigen Schnellschnittanalyse geschickt. Basierend auf Standardkriterien entscheiden Chirurgen, ob sie durchführen:

   • Ipsilaterale zentrale Lymphknotendissektion (Entfernung von Lymphknoten auf derselben Seite wie der Tumor)
   • Laterale Lymphknotendissektion (wenn bestimmte Kriterien erfüllt sind)
   • Kontralaterale zentrale Dissektion (Entfernung von Lymphknoten auf der gegenüberliegenden Seite)

   Diese Entscheidungen folgen dem Standard-Chirurgieprotokoll an unserer Einrichtung und werden nicht durch die Vorhersagen des Deep Learning beeinflusst.

5. Pathologische Untersuchung:

Alle entfernten Lymphknoten werden von Pathologen untersucht, um festzustellen:

• Ob der Sentinel-Lymphknoten Krebs enthält (SLNM-Status)
• Ob Lymphknoten der zweiten Ebene Krebs enthalten (SeLNM)
• Ob Nicht-Sentinel-Lymphknoten Krebs enthalten (NsLNM)
• Die Anzahl und Lage aller positiven Lymphknoten

DATENERFASSUNG UND -ANALYSE:

Klinische Daten (32 Variablen):

• Demografie: Alter, Geschlecht, Body-Mass-Index
• Ultraschallmerkmale: Tumorgröße, Lage, Ränder, Verkalkungsmuster, Seitenverhältnis, TI-RADS-Klassifikation
• Pathologische Merkmale: Multifokalität, extrathyreoidale Ausdehnung, Kapselinvasion
• Genetische Daten: BRAF-Mutationsstatus und andere relevante Mutationen

Videoanalyse:

Zwei erfahrene Chirurgen (jeweils mit mehr als 10 Jahren Erfahrung) identifizieren und umreißen manuell die Regionen von Interesse (die Sentinel-Lymphknoten) in jedem Videobild. Dies erzeugt 19.650 Maskenbilder über alle Teilnehmer hinweg.

Merkmalsextraktion:

Das Deep-Learning-System extrahiert mehrere Arten von Merkmalen:

Räumliche Merkmale (2.048 Dimensionen):

• Bildmerkmale aus einem vortrainierten neuronalen Netzwerk (EfficientNet-B5)
• Graustufencharakteristika
• Form- und morphologische Merkmale
• Hu-Moment-Deskriptoren (mathematische Beschreibungen der Form)

Zeitliche Merkmale (20 Dimensionen):

• Bild-zu-Bild-Unterschiede, die zeigen, wie sich das Bild verändert
• Optische Flussmessungen, die Bewegungsmuster zeigen
• Fluoreszenzintensitätsänderungen über die Zeit
• Flussgeschwindigkeitsmessungen zu bestimmten Zeitpunkten

DEEP-LEARNING-MODELLE:

Neun verschiedene Deep-Learning-Architekturen werden entwickelt und verglichen:

1. Convolutional Neural Network (CNN): Extrahiert lokale räumliche Merkmale aus Bildern
2. Long Short-Term Memory (LSTM): Erfasst Muster in Zeitreihendaten
3. CNN + LSTM: Kombiniert räumliche und zeitliche Merkmalsextraktion
4. CNN + LSTM + Attention: Fügt einen Aufmerksamkeitsmechanismus hinzu, um sich auf wichtige Zeitpunkte zu konzentrieren
5. Transformer: Verwendet Selbstaufmerksamkeit, um globale Muster in sequenziellen Daten zu erfassen
6. Crossformer: Eine spezialisierte Architektur für Zeitreihenanalyse
7. 3D-CNN: Verarbeitet Videodaten als dreidimensionale Volumina
8. LSTM + Transformer: Hybridmodell, das die Stärken von LSTM und Transformer kombiniert
9. LSTM + Crossformer: Hybridmodell, das die Stärken von LSTM und Crossformer kombiniert

Alle Modelle verwenden:

• Binäre Kreuzentropie-Verlustfunktion
• Adam-Optimierer für das Training
• Datenaugmentierung (Rotation, Skalierung, Rauschinjektion), um Überanpassung zu verhindern
• Gewichtete Verlustfunktionen, um Klassenungleichgewicht zu handhaben
• Dropout-Regularisierung

MODELLBEWERTUNG:

Modelle werden mit 10-facher stratifizierter Kreuzvalidierung bewertet, um eine ausgewogene Verteilung der Ergebnisse in Trainings- und Testsets sicherzustellen. Leistungsmetriken umfassen:

• Fläche unter der ROC-Kurve (AUC): Misst die allgemeine Diskriminierungsfähigkeit
• Genauigkeit: Prozentsatz korrekter Vorhersagen
• Sensitivität: Fähigkeit, Patienten mit Metastasen korrekt zu identifizieren
• Spezifität: Fähigkeit, Patienten ohne Metastasen korrekt zu identifizieren
• Positiver Vorhersagewert: Wahrscheinlichkeit, dass eine positive Vorhersage korrekt ist
• Negativer Vorhersagewert: Wahrscheinlichkeit, dass eine negative Vorhersage korrekt ist
• F1-Score: Balance zwischen Präzision und Trefferquote
• Brier-Score: Kalibrierung der vorhergesagten Wahrscheinlichkeiten

Zusätzliche Analysen umfassen:

• Entscheidungskurvenanalyse zur Bewertung des klinischen Nutzens
• Kalibrierungskurven zur Überprüfung der Vorhersagezuverlässigkeit
• Lernkurven zur Bewertung von Überanpassung
• DeLong-Test für den statistischen Vergleich zwischen Modellen
• Wahrscheinlichkeitsbasierter Modell-Ranking-Ansatz (PMRA)

MODELLINTERPRETIERBARKEIT:

Um zu verstehen, wie das Modell Vorhersagen trifft, verwenden wir SHapley Additive exPlanations (SHAP)-Analyse. Diese Technik:

• Identifiziert, welche Merkmale am meisten zu den Vorhersagen beitragen
• Zeigt, wie jedes Merkmal individuelle Vorhersagen beeinflusst
• Zeigt, ob sich das Modell auf klinisch bedeutsame Faktoren stützt
• Bietet Transparenz in die „Black Box“ des Deep Learning

ERGEBNISSE:

Primäre Ergebnisse:

1. Metastasen in Lymphknoten der zweiten Ebene (SeLNM): Krebsausbreitung zu Lymphknoten jenseits des Sentinel-Knotens im Drainageweg
2. Metastasen in Nicht-Sentinel-Lymphknoten (NsLNM): Krebsausbreitung zu jedem Lymphknoten außer dem Sentinel-Knoten

Beide Ergebnisse werden durch die endgültige pathologische Untersuchung des chirurgisch entfernten Gewebes (der Goldstandard) bestimmt.

Sekundäre Ergebnisse:

• Modellleistungsmetriken (AUC, Sensitivität, Spezifität usw.)
• Merkmalswichtigkeitsrangfolgen aus der SHAP-Analyse
• Vergleich von Modellarchitekturen

STATISTISCHE ÜBERLEGUNGEN:

Stichprobengröße:

Basierend auf Power-Berechnungen unter Annahme von:

• Alpha = 0,05 (Signifikanzniveau)
• Power = 0,80
• Erwarteter Sensitivitätsunterschied von 20 % zwischen Methoden
• Erwarteter Prävalenz von Lymphknotenmetastasen von 50 %

Wurde ein Minimum von 335 Teilnehmern berechnet. Aufgrund strenger Einschlusskriterien und Videoqualitätsanforderungen wurden 131 Teilnehmer mit vollständigen, hochwertigen Daten in die endgültige Analyse eingeschlossen.

Statistische Methoden:

• Deskriptive Statistik für Basismerkmale
• Chi-Quadrat- oder Fisher-Exakt-Test für kategoriale Variablen
• Mann-Whitney-U-Test für kontinuierliche Variablen
• DeLong-Test zum Vergleich von AUC-Werten zwischen Modellen
• 95 %-Konfidenzintervalle für alle Leistungsmetriken

NACHBEOBACHTUNG:

Während sich die primäre Analyse auf die intraoperative Vorhersage konzentriert, werden Teilnehmer gemäß Standard-Clinical-Care-Protokollen nachbeobachtet. Langzeitergebnisse einschließlich rezidivfreiem Überleben können in zukünftigen Studien analysiert werden.

ETHISCHE ÜBERLEGUNGEN:

Diese Studie wurde von der Ethikkommission des First Affiliated Hospital of Chongqing Medical University genehmigt (Genehmigungsnummer 2023-322). Alle Teilnehmer gaben vor der Einschreibung eine schriftliche Einwilligungserklärung ab.

Die Studie birgt minimales zusätzliches Risiko für Teilnehmer, weil:

• Die Zweifachmarker-Injektion Substanzen verwendet, die bereits für den klinischen Einsatz zugelassen sind
• Die Videoaufzeichnung nicht-invasiv ist und chirurgische Entscheidungen nicht beeinflusst
• Alle chirurgischen Entscheidungen gemäß Standardprotokollen getroffen werden
• Die Deep-Learning-Analyse retrospektiv durchgeführt wird und die Behandlung nicht beeinflusst

POTENZIELLE AUSWIRKUNG:

Bei Erfolg könnte dieser Ansatz:

1. Chirurgen helfen, fundiertere Entscheidungen über das Ausmaß der Lymphknotenentfernung zu treffen
2. Unnötige ausgedehnte Operationen bei Niedrigrisikopatienten reduzieren
3. Eine angemessene Operation bei Hochrisikopatienten sicherstellen, die sonst unterbehandelt werden könnten
4. Echtzeitige, objektive Entscheidungsunterstützung während der Operation bieten
5. Die Interpretation der Lymphkartierung über verschiedene Chirurgen und Zentren hinweg standardisieren
6. Als Schulungswerkzeug für weniger erfahrene Chirurgen dienen

EINSCHRÄNKUNGEN:

• Monozentrische Studie, was die Verallgemeinerbarkeit einschränken kann
• Relativ kleine Stichprobengröße aufgrund strenger Qualitätsanforderungen
• Manuelle Annotation der Regionen von Interesse kann Variabilität einführen
• Deep-Learning-Modelle erfordern Validierung in externen Kohorten
• Echtzeit-Implementierung während der Operation erfordert weitere Entwicklung

ZUKÜNFTIGE AUSRICHTUNGEN:

• Externe Validierung in mehreren Zentren
• Entwicklung von Echtzeit-Vorhersagesoftware für den intraoperativen Einsatz
• Integration mit anderen bildgebenden Modalitäten
• Prospektive Interventionsstudien zur Bewertung des klinischen Nutzens von KI-gestützter Chirurgie