CLASSICA: tekoälyn validointi syövän luokittelussa reaaliaikaisessa kirurgiassa tutkimuksessa 1

Rektaaliset polyypit, joiden koko on yli 2 cm (pelkästään Euroopassa noin 10 000 potilasta vuodessa) ovat huomattava kliininen haaste. Vaikka pienemmät polyypit voidaan hoitaa rutiininomaisella endoskooppisella polypektomialla ja suora kliininen syöpä etenee perinteisen syöpäkirurgian paradigman kautta, tämän kokoiset polyypit voidaan leikata paikallisesti ehjinä transanaalisella endoskooppisella resektiolla (kutsutaan myös transanaaliksi minimaalisesti invasiiviseksi kirurgiaksi, TAMIS). Tämä on tämän sivuston suosituin kohtelu, koska se pystyy tarjoamaan yhden täydellisen fragmentoimattoman näytteen muihin menetelmiin (esim. endoskooppinen submukosaalinen resektio). Vaikka transanaalisen resektion mahdollistava teknologia ja koulutus on tullut paljon saataville viimeisen vuosikymmenen aikana (erityisesti TAMIS), mikä tarkoittaa, että useammilla potilailla voi olla suuria hyvänlaatuisia leesioita ja jopa joitain varhaisia ​​peräsuolen syöpiä leikataan paikallisissa erikoiskeskuksissaan, mutta nyt tällaisen hoidon suurin jarru. on potilasvalinta: eli miten tietää ennen resektiota, onko tietyllä potilaalla hyvänlaatuinen polyyppi tai syöpä.

Endoskooppiset biopsiat ovat tunnetusti epätarkkoja jopa 20 %:ssa tällaisista leesioista (peräsuolen syövät alkavat useimmiten adenomatoottisina vaurioina, joten pinnallisista biopsioista voi jäädä pahanlaatuinen kohde). Syövän virheellisesti tunnistaminen hyvänlaatuiseksi vaurioksi ja sen hoitaminen paikallisella leikkauksella huonontaa merkittävästi ennustetta ja vaarantaa myöhemmän syöpäleikkauksen – mukaan lukien mahdollisesti muunnettavissa rekonstruoitava resektiokohta (eli eturesektioon sopiva vaurio) rekonstruktioimaiseksi (ts. tarvitaan abdominoperineaalinen resektio pysyvällä kolostomialla) ja kylvämällä syöpäsoluja syvälle reunalle tai eri tasolle, erityisesti kuten etupuolelle sijoitettujen leesioiden tapauksessa. Lisäksi transanaalisilla leikkaustekniikoilla on edelleen suhteellisen korkeat positiiviset marginaalit; tämä vaarantaa hyvänlaatuisten leesioiden uudelleenkasvun ja rajoittaa tehokasta paikallista hoitoa varhaisimman vaiheen syöpiin, koska tuumoripääosan lähellä on havaittavissa oleva sairaus.

Olemme aiemmin osoittaneet fluoresoivan indosyaniinivihreän (ICG) avulla, että perfuusio on näkyvästi erilainen kasvaimen ja terveen kudoksen välillä. Tämä ero voidaan kaapata infrapunavideolla ja matemaattinen analyysi voi erottaa pahanlaatuisten alueiden perfuusiokuvion mistä tahansa hyvänlaatuisesta/normaalista kudoksesta, joka näkyy myös samassa endoskooppisessa kuvassa. Lyhyesti sanottuna fluoresenssin kylläisyys kullakin kiinnostavalla alueella (eli kasvain tai normaalin limakalvon alue) voidaan mitata tallennetusta videosta käyttämällä IBM:n kehittämää ohjelmistoa. Fluoresenssin muutos ajan kuluessa voidaan piirtää käyrälle, joka osoittaa ICG:n sisäänvirtauksen, huipun ja ulosvirtauksen, mikä riippuu perfuusiokuvioista kiinnostavalla alueella. Nämä käyrät vaihtelevat tutkittavasta kudoksesta riippuen, joten niitä voidaan käyttää hyvänlaatuisten kasvainten luokitteluun pahanlaatuisista kasvaimista laskemalla sisäänoton kaltevuus ja käyrän alla oleva pinta-ala ulosvirtauksen mittaamiseksi. Siksi paikassa (kuten peräsuolessa), jossa epäillään syöpää, videon analysointia voidaan käyttää terveiden ja syöpäkudosten erottamiseen. Tätä löytöä voidaan hyödyntää kliiniseen käyttöön soveltamalla tekoälymenetelmiä, mukaan lukien tietokonenäkö ja koneoppiminen. Pohjimmiltaan kiinnostavia kudoksia näyttävien pikselien fluoresenssin intensiteetti vaihtelee veren virtauksen (perfuusion) mukaan, kun veri värjätään ICG:llä ja valaistaan ​​lähi-infrapunavalolla (NIR). Voimakkuus kaapataan ajan myötä useista videokehyksistä, ja tämä intensiteetti piirretään käyränä. Kasvainkudoksen intensiteettikäyrät eroavat terveen kudoksen intensiteettikäyrät ja hyvänlaatuisten kasvainten intensiteettikäyrät ovat erilaisia ​​kuin pahanlaatuisten kasvaimien. Kunkin kiinnostavan alueen pikselin käyrän ominaisuuksien analyysi voi siten johtaa luokitukseen.

Tällainen tekoälyjärjestelmä on prototyyppi ja koulutettu Mater Hospitalissa aiemmin kahdesta aluekeskuksesta peräisin olevien irlantilaisten syöpäpotilaiden videoilla, jotta se voi automaattisesti tunnistaa pahanlaatuiset kasvaimet ja hyvänlaatuiset leesiot terveestä kudoksesta niiden perfuusiokuvioiden perusteella. Tämän prototyypin tarkkuus on aiemmin osoittanut > 80 %.

Tässä tutkimuksessa validoimme kliinisesti kudoksen luokittelun peruskonseptin tai -menetelmän sen fluoresenssisignaalin ominaisuuksien perusteella, samalla kun katsomme, voidaanko tämän pohjalta rakentaa laite, joka voi ekstrapoloida UCD:n henkilökunnan videoista tuottaman datan. Käsittelemme myös yleistettävyyttä – voivatko muut kirurgit käyttää järjestelmää ja saada samanlaisia ​​tuloksia omasta potilasryhmästään? Tämä tasoittaa tietä tuleville tutkimuksille, jotka on suunniteltu määrittämään biopsian roolit (voiko järjestelmä mahdollistaa optimaalisen koepalakudoksen valinnan ja siten vähentää biopsiavirhettä?); ja kasvaimen resektio (voiko järjestelmä lisätä kasvaimen resektion täydellisyyttä ja tarkkuutta?).