Estudio sobre el método de clasificación de la linfografía con verde de indocianina basado en el aprendizaje profundo (BCRL；ICG)

El linfedema relacionado con el cáncer de mama (BCRL, por sus siglas en inglés) es la complicación más común después de la cirugía de cáncer de mama, lo que genera una gran carga psicológica y espiritual para los pacientes. Durante mucho tiempo, el diagnóstico y tratamiento del linfedema ha sido un punto difícil en la investigación nacional y extranjera. En gran medida, se debe a que la mayoría de los pacientes que acuden al médico ya han desarrollado un linfedema evidente, y los vasos linfáticos internos han sufrido un remodelado patológico[1]. Por ello, es especialmente importante detectar el linfedema precozmente e intervenir a tiempo. mediante el uso de herramientas de detección sensibles. La linfangiografía con verde de indocianina (ICG) es un método relativamente nuevo, que puede mostrar el flujo linfático superficial en tiempo real y rápidamente, y no se verá afectado por la radiactividad [7]. En 2007, se utilizó por primera vez la linfografía con verde de indocianina para evaluar la función de los vasos linfáticos superficiales. En 2011, académicos japoneses encontraron signos de reflujo en la piel basados ​​en datos de linfografía ICG de 20 pacientes con linfedema después de una cirugía de cáncer de mama, y ​​se dividieron aproximadamente en tres tipos según su gravedad: salpicadura, cúmulo de estrellas y difuso (Figura 1) [8 ]. Más tarde, en 2016, un estudio prospectivo que involucró a 196 personas afirmó el valor de la linfografía ICG en el diagnóstico temprano del linfedema e hizo que las imágenes de la linfografía ICG fueran más específicas en los estadios 0-5 [9], pero la estadificación todavía se basa en los tres tipos de síntomas de reflujo de la piel encontrados en un estudio clínico de muestra pequeña en 2011, que no es completamente aplicable en aplicaciones clínicas reales. Además, cuando aparecen síntomas anormales de reflujo cutáneo en la linfangiografía ICG, los cambios fisiopatológicos que ocurren en el cuerpo carecen de investigación y exploración. Por lo tanto, esta investigación espera refinar las características de la imagen de la linfografía ICG a través del aprendizaje automático (aprendizaje profundo) y establecer un modelo de PKUPH para diagnosticar el linfedema temprano mediante la estadificación de las características de la imagen.