Intraoperatiivinen tutkimus käyttäen koneoppimiseen perustuvaa hyperspektriaa diagnosointiin ja autonomisen anatomian arviointiin (iEXMachyna3)

Säilytettävän tai valikoivasti poistettavan kohderakenteiden intraoperatiivinen tunnistaminen on ensiarvoisen tärkeää kirurgisten toimenpiteiden aikana. Tämä tehtävä perustuu pääasiassa käyttäjän anatomiseen tietämykseen ja kokemukseen. Vähäinvasiivisen leikkauksen yhteydessä kosketuspalaute on heikentynyt ja kirurgin näkö on ainoa vihje kudosten erottamiseen. Potilaskohtaisista patologisista tiloista ja/tai kirurgin kokemattomuudesta johtuva anatomian väärinkäsitys voi lisätä kriittisten anatomisten rakenteiden iatrogeenisen vaurion riskiä ja sillä voi olla tuhoisia seurauksia. Hyperspektraalinen kuvantaminen (HSI) edustaa lupaavaa tekniikkaa, joka yhdistää valokuvakameran spektrometriin ja joka pystyy suorittamaan reaaliaikaista optista skannausta suurella alueella kontrastittomasti tarjoamalla sekä spatiaalista että spektritietoa, jonka generoi kudos/valon vuorovaikutus. Tekniikka perustuu heijastusspektroskooppisten kuvantamismittausten käyttöön. Mittaus koostuu valkoisen valon säteilyttämisestä alueelle (normaalit halogeenilamput, ei-haitallisessa intensiteetissä) ja alueelta lähetettyjen spektrin intensiteettien tallentamisesta remissiospektrien muodossa. Tulevan valon optinen vuorovaikutus (sironta, absorptio) kohdemateriaalin eri komponenttien (mukaan lukien syvyys) kanssa (esim. biologiset kudokset) muuttaa valon spektrijakaumaa siten, että lähetetty valo kuljettaa tietoa nykyisestä materiaalin tai kudoksen koostumuksesta ja fysiologiasta (esim. perfuusio). HSI on jo vakiintunut menetelmä kuvainformaation objektiiviseen luokitteluun useilla tieteenaloilla (esim. kaukokartoitus), jota sovellettiin ensimmäisen kerran ihmislääketieteessä noin 15 vuotta sitten. Tuhoamattoman näytteiden keräämisen, liitäntämahdollisuuksien yleisten optisten modaliteettien (mikroskooppi, endoskooppi) ja kvantitatiivisten, tutkijasta riippumattomien tulosten luontaisten etujen vuoksi on tällä välin kehitetty erilaisia ​​lähestymistapoja hyperspektrisen kuvantamisen potentiaalin hyödyntämiseksi lääketieteessä.

Sen käyttökelpoisuus biolääketieteen alalla on jo laajasti todistettu. Sitä on aiemmin käytetty ruoansulatuskirurgiassa suoliston hapetetun hemoglobiinin kvantifiointiin useiden toimenpiteiden aikana tai suoliliepeen iskemian tapauksessa. Useat aiemmat työt keskittyivät menestyksekkäästi HSI:n kykyyn erottaa normaali ja kasvainkudos eturauhassyövän, paksusuolensyövän, mahasyövän, glioblastooman, pään ja kaulan syöpien hoidossa. Onkologisella alalla edistys hyperspektristen piirteiden luokittelussa on ollut huomattava ja johtanut kehittyneiden syväoppimisalgoritmien menestyksekkääseen käyttöön. Kirurgiassa on tutkittu HSI-kameran käyttökelpoisuutta leikkauskentän visualisoimiseksi vaikean verenvuodon aikana tai kasvaimen havaitsemiseksi resektiomarginaalien sisällä leikkauksen jälkeen.

Japanilainen ryhmä käytti HSI-järjestelmää ylimääräisenä visualisointityökaluna suoliston iskemian havaitsemiseen ja myös vatsansisäisen anatomian luokitteluun. He tunnistivat tietyn aallonpituuden (756-830 nm) terveen ja vähemmän perfusoidun suolen erottamiseksi. He osoittivat myös, että pernalla, paksusuolella, ohutsuolella, virtsarakolla ja vatsakalvolla on erilaiset spektriominaisuudet. Tämä löydös saattaa mahdollistaa jatkossa HSI-pohjaisen toimintakentän navigoinnin. Ryhmämme käytti äskettäin HSI:tä intraoperatiivisena työkaluna sikamallissa ruoansulatuskanavan elinten perfuusion määrittämiseksi vahvoja biologisia markkereita vastaan. Tulokset osoittivat, että tämä tekniikka pystyy mittaamaan suolen verenkiertoa suurella tarkkuudella.

Muut ryhmät yrittivät aiemmin erottaa sappitiehyet verisuonista, ruokatorvi henkitorven kudoksesta, kilpirauhanen lisäkilpirauhasesta, hermo ja virtsanjohdin ympäröivästä kudoksesta. Kuitenkin ne aiemmat työt, jotka kohdistuivat keskeisten anatomisten rakenteiden tunnistamiseen, suoritettiin käyttämällä joko yksinkertaisia ​​piirteiden erottelualgoritmeja tai kaistanvalintamenetelmiä. Jokaisen hankinnan jälkeen hankitun tiedon määrä vaihtelee kameran resoluution mukaan, mutta on melko suuri, joten tietojen luokitteluun ja ominaisuuksien poimimiseen tarvitaan kone- ja syväoppimistekniikoita. Joissakin kontrolloiduissa kokeissa sikamallissa hyperspektrisiä allekirjoituksia on käytetty onnistuneesti koneoppimisalgoritmeihin yhdistettynä hienojen anatomisten rakenteiden, kuten hermojen tai virtsanjohtimien, erottamiseen leikkauksen aikana (julkaisematon data).

i-EX-MACHYNA3-tutkimuksen tavoitteena on kääntää HSI-tekniikka yhdessä useiden syväoppimisalgoritmien kanssa erottamaan eri ihmiskudosluokista (mukaan lukien keskeiset anatomiset rakenteet, kuten BD, hermot ja virtsaputket).