HSI segmenttien välisen tason tunnistusta varten sublobar-keuhkojen leikkauksen aikana (HYPER-Seg)

Keuhkosyöpä on johtava syöpään liittyvien kuolemien syy maailmanlaajuisesti. Seulontastrategioiden yleistymisen johdosta erityisesti riskipopulaatioille lisääntyvä määrä keuhkosyöpätapauksia havaitaan varhaisessa vaiheessa. Tässä suhteessa keuhkosyöpää diagnosoidaan myös yhä useammin potilailla, joilla on heikentynyt keuhkotoiminta. Keuhkojen toiminnan säilyttämiseksi ja komplikaatioiden esiintyvyyden vähentämiseksi tässä kohortissa arvioidaan tällä hetkellä keuhkojen segmenteektomioita. Näin ollen uusin versio saksalaisesta keuhkosyövän ehkäisyä, diagnosointia, hoitoa ja seurantaa koskevista ohjeista suosittelee segmentektomiaa potilaille, joilla on heikentynyt keuhkotoiminta kasvainvaiheessa I/II. Segmenttienvälisen tason tunnistaminen - segmentektomian avainvaihe - on kuitenkin edelleen haastavaa. Segmenttien välisen tason epätarkka tunnistus voi johtaa jäljellä olevan keuhkokudoksen toimintahäiriöön, ventilaation tai verenvirtauksen epäsopimattomuuteen tai pitkäaikaiseen ilmavuotoon leikkauksen jälkeen, mikä edellyttää jopa suunnittelematonta toissijaista leikkausta. Indocyanine green (ICG) on yksi viimeisimmistä arvioiduista tunnistusmenetelmistä ja sitä pidetään kultastandardina. Hyperspectral Imaging (HSI) - äskettäin perustettu intraoperatiivinen kuvantamistekniikka - mahdollistaa kudosperfuusion ei-invasiivisen arvioinnin ja keuhkokudoksen erottelun eri kudosperfuusioilla segmentektomian aikana.

Tämän prospektiivisen, yhden keskuksen, non-inferiority IDEAL Stage 2b -tutkimuksen tarkoituksena on tunnistaa segmenttien välinen taso ja navigointi keuhkosyövän sublobar-keuhkojen resektioiden aikana käyttämällä hyperspektristä kuvantamista, vertailu ICG-fluoresenssilla segmenttienväliseen tason tunnistamiseen ja automaattinen segmenttien välinen tasonavigointi koneoppimisstrategioiden avulla intraoperatiiviseen navigointiin.

Tämän ratkaisemiseksi segmenttien välinen taso havaitaan sekä HSI- että ICG-fluoresenssilla keuhkosegmentektomian aikana ja näiden kahden tunnistusmenetelmän vastaavuutta verrataan toisiinsa. Koneoppimisstrategioita käyttäen analysoidaan perfusoidun ja perfusoimattoman keuhkokudoksen ja segmenttien välisen tason havaitseminen. Lopuksi tutkijat tutkivat liikkeen seurantaa tulevien HSI-kuvien parantamiseksi leikkauksen aikana.

Tämän tutkimuksen hypoteesi on, että HSI voisi parantaa intraoperatiivista navigointia keuhkosegmentektomian aikana tarjoamalla yhtä luotettavan segmenttien välisen tason tunnistamisen kuin indosyaniinivihreän fluoresenssin kultastandardi. Tässä tapauksessa fluoresoivan väriaineen suonensisäistä käyttöä ei enää tarvita segmenttien välisen tason tunnistamiseksi.

Monimutkaisen segmentin resektiossa ICG:n suuri määrä tai toistuva käyttö on tarpeen sen lyhyen keuhkokiertoajan vuoksi. ICG:n toistuva käyttö voi johtaa siihen, että ICG pääsee kohdekeuhkokudokseen keuhkoputken verenkierron kautta ja lisää ICG:n haittavaikutusten riskiä. Sitä vastoin HSI:n edut olisivat nopeampi ja toistuva mittaus leikkauksen aikana. Kokonaismittausaikaa on mahdollista lyhentää segmenttien välisen tasodissektion aikana (10 sekuntia vs. 3 minuuttia / mittaus) ja siten potilaan taakkaa. Tässä yhteydessä useat tutkimukset HSI-pohjaisesta perfuusiomittauksesta ruokatorven tai kolorektaalisen leikkauksen aikana osoittivat jo parantuneen potilaiden lopputuloksen. Lisäksi HSI:tä voidaan käyttää leikkaukseen potilailla, joilla on hypertyreoosi tai heikentynyt munuaisten tai maksan toiminta.

Tämän hypoteesin tukemiseksi tässä tutkimuksessa käytetään prospektiivista non-inferiority -tutkimussuunnitelmaa. Tiedonkeruun ja raportoinnin laadun varmistamiseksi tutkimus tehdään IDEAL-raportointiohjeiden mukaisesti. Keuhkosegmentektomian aikana segmenttien välinen taso tunnistetaan sekä HSI- että ICG-fluoresenssilla. Määritettyä HSI-segmenttien välistä marginaalia verrataan maan totuuden ICG-fluoresenssiin ja tutkitaan HSI- ja ICG-kartoituksen toteutettavuutta ja toistettavuutta.

Koneoppimismenetelmät ovat parantaneet huomattavasti lääketieteellisten kuvatietojen hienovaraisten kuvioiden tulkintaa. Konvoluutiohermoverkkoja (CNN) voidaan pitää lääketieteellisten kuvien luokittelun ja segmentoinnin huipputekniikana. Tutkijat laajentavat CNN-pohjaisia ​​menetelmiä HSI-luokitukseen ja erityisesti perfusoidun ja perfusoimattoman kudoksen patch-pohjaista erotusta käyttämällä samasta paikasta saatuja ICG- ja HSI-tietoja. Lisähaaste on HSI:n suhteellisen hidas saanti (10 sekuntia/mittaus), mikä tekee siitä alttiita liikeartefakteille, esim. sykkivän liikkeen vuoksi. Tämän ratkaisemiseksi tutkijat tutkivat liikkeen seurantaa, jolla on merkitystä myös segmentin rajan havainnollistamisessa leikkauksen aikana.

Koneoppimisen lähestymistavat ja erityisesti CNN:t mahdollistavat luokittimien suoran optimoinnin todellisen kliinisen datan perusteella ja spektriulottuvuus voidaan käsitellä yksinkertaisesti. Lisäksi monipuolisena menetelmänä kuvankäsittelyyn CNN:itä voidaan käyttää myös lokalisointiin ja liikkeen kompensointiin intraoperatiivisen kuvantamisen aikana, esim. ne voidaan kouluttaa havaitsemaan kuvan piirteitä ja niiden liikettä punaisissa/vihreissä/sinisissä kuvavirroissa. Tämä on mielenkiintoista ehdotetun HSI-tiedonkeruun kannalta, joka perustuu mittaussarjaan, joka on herkkä kudoksen liikkeelle.