HSI para la identificación del plano intersegmentario durante las resecciones pulmonares sublobares (HYPER-Seg)

El cáncer de pulmón es la principal causa de muerte relacionada con el cáncer en todo el mundo. Debido a la generalización de las estrategias de cribado, especialmente para poblaciones de riesgo, cada vez se detectan más casos de cáncer de pulmón en estadios tempranos. En este sentido, el cáncer de pulmón también se diagnostica cada vez más en pacientes con insuficiencia pulmonar. Para preservar la función pulmonar y reducir la incidencia de complicaciones, las segmentectomías pulmonares se evalúan actualmente en esta cohorte. Así, la última versión de la guía alemana para la prevención, el diagnóstico, el tratamiento y el seguimiento del cáncer de pulmón recomienda la segmentectomía en pacientes con deterioro de la función pulmonar en estadio tumoral I/II. Sin embargo, la identificación del plano intersegmentario, el paso clave de la segmentectomía, sigue siendo un desafío. El reconocimiento inexacto del plano intersegmentario puede conducir a la disfunción del tejido pulmonar remanente, la falta de coincidencia de la ventilación o el flujo sanguíneo, o la fuga de aire a largo plazo después de la cirugía, lo que incluso requiere una cirugía secundaria no planificada. El verde de indocianina (ICG) es uno de los últimos métodos de identificación evaluados y se considera el estándar de oro. Imágenes hiperespectrales (HSI), una técnica de imagen intraoperatoria recientemente establecida, permite una evaluación no invasiva de la perfusión tisular y la discriminación del tejido pulmonar con diferente perfusión tisular durante las segmentectomías.

El propósito de este estudio prospectivo, de un solo centro, de no inferioridad IDEAL Etapa 2b es la identificación del plano intersegmentario y la navegación durante las resecciones pulmonares sublobares en el cáncer de pulmón utilizando imágenes hiperespectrales, la comparación con la identificación del plano intersegmentario de fluorescencia ICG y el establecimiento de Navegación automática intersegmentaria del plano utilizando estrategias de aprendizaje automático para la navegación intraoperatoria.

Para abordar esto, el plano intersegmentario se detectará mediante HSI e ICG-fluorescencia durante las segmentectomías pulmonares y se comparará la correspondencia de los dos métodos de identificación entre sí. Utilizando estrategias de aprendizaje automático, se analizará la detección de tejido pulmonar perfundido y no perfundido y el plano intersegmentario. Finalmente, los investigadores estudiarán el seguimiento del movimiento para mejorar las futuras ilustraciones HSI durante la cirugía.

La hipótesis de este estudio es que HSI podría mejorar la navegación intraoperatoria durante las segmentectomías pulmonares proporcionando una identificación del plano intersegmentario tan fiable como el patrón oro de la fluorescencia verde de indocianina. En este caso, ya no sería necesaria una aplicación intravenosa de colorante fluorescente para la identificación del plano intersegmentario.

En el caso de resección de segmentos complejos, es necesaria una gran cantidad o uso repetido de ICG debido a su corto tiempo de circulación pulmonar. El uso múltiple de ICG puede dar lugar a que ICG entre en el tejido pulmonar objetivo a través de la circulación bronquial y aumente el riesgo de reacciones adversas al medicamento de ICG. Por el contrario, las ventajas de HSI serían una medición más rápida y repetitiva durante la cirugía. Habrá una posibilidad de reducir el tiempo total de medición durante la disección del plano intersegmentario (10 segundos frente a 3 minutos/medición) y, en consecuencia, la carga del paciente. En este contexto, varios estudios de medición de perfusión basada en HSI durante la cirugía esofágica o colorrectal ya mostraron un mejor resultado para los pacientes. Además, HSI se puede utilizar para cirugía en pacientes con hipertiroidismo o insuficiencia renal o hepática.

Para apoyar esta hipótesis, en este estudio se utilizará un diseño de ensayo prospectivo de no inferioridad. Para garantizar la calidad de la adquisición y el informe de datos, el estudio se llevará a cabo de acuerdo con las pautas de informe de IDEAL. Durante las segmentectomías pulmonares, el plano intersegmentario se identificará mediante fluorescencia HSI e ICG. El margen intersegmentario de HSI determinado se comparará con la fluorescencia ICG real y se estudiará la viabilidad y reproducibilidad del mapeo de HSI e ICG.

Los métodos de aprendizaje automático han mejorado enormemente la interpretación de patrones sutiles en datos de imágenes médicas. Las redes neuronales convolucionales (CNN) pueden considerarse de última generación para la clasificación y segmentación de imágenes médicas. Los investigadores ampliarán los métodos basados ​​en CNN para la clasificación de HSI y, en particular, estudiarán la diferenciación basada en parches entre tejido perfundido y no perfundido utilizando datos de ICG y HSI adquiridos en la misma posición. Otro desafío es la adquisición relativamente lenta de HSI (10 segundos/medida), lo que lo hace propenso a artefactos de movimiento, por ejemplo, debido al movimiento pulsátil. Para abordar esto, los investigadores estudiarán el seguimiento del movimiento, que también es relevante para la futura ilustración del límite del segmento durante la cirugía.

Los enfoques de aprendizaje automático y, en particular, las CNN permiten optimizar directamente los clasificadores en función de los datos clínicos reales y la dimensión espectral se puede manejar de manera sencilla. Además, como un método versátil para el procesamiento de imágenes, las CNN también se pueden usar para la localización y la compensación de movimiento durante la obtención de imágenes intraoperatorias, por ejemplo, se pueden entrenar para detectar características de la imagen y su movimiento en flujos de imágenes rojo/verde/azul. Esto es interesante para la adquisición de datos HSI propuesta, que se basa en una secuencia de mediciones que son sensibles al movimiento del tejido.