Koneoppimismallin kehittäminen keuhkopussin kiinnittymisen ennustamiseksi ennen leikkausta keuhkopussin ultraäänellä

Keuhkosyöpä on tällä hetkellä johtava pahanlaatuisten kasvainten aiheuttama kuolinsyy maailmanlaajuisesti. Leikkaus on keuhkosyövän ensisijainen hoitomenetelmä, ja rintakehän kirurgisten tekniikoiden läpimurrot ovat ratkaisevassa asemassa keuhkosyövän diagnosoinnissa ja hoidossa. Lääketieteellistä ultraäänitekniikkaa käytetään laajalti kliinisessä käytännössä sen ei-invasiivisten, joustavien, kätevien ja taloudellisten ominaisuuksiensa vuoksi. Ultraäänitekniikan kehittyessä ja kliinisiin haasteisiin vastaamisen myötä ultraäänikuvaustekniikka on kehittynyt torakoskooppisen kirurgian alalla.

Minimaalisesti invasiivisen leikkauksen aikakaudella intraoperatiiviset keuhkopussin kiinnikkeet ovat yksi tärkeimmistä videoavusteisen thorakoskooppisen leikkauksen (VATS) toteuttamiseen vaikuttavista tekijöistä. Varsinkin tehostetun leikkauksen jälkeisen toipumisen (ERAS) konseptissa VATS:n päiväkirurginen malli on vähitellen muotoutunut. Kuitenkin keuhkopussin tarttumat lisäävät merkittävästi intraoperatiivista traumaa ja pidentävät sairaalahoitoa. Lisäksi keuhkopussin kiinnittymät lisäävät keuhkovaurion riskiä VATS:n aikana ja vaikeissa tapauksissa voivat estää pääsyn keuhkopussin tilaan, mikä edellyttää muuntamista avoimeen torakotomiaan. Keuhkopussin tarttumat lisäävät intraoperatiivista aikaa ja sairastuvuutta rintakehäkirurgiassa huonon näkyvyyden, verenvuodon sekä keuhko- ja verisuonivaurioiden vuoksi. Keuhkopussin kiinnittymien esiintyminen, sijainti ja aste ovat hyödyllisiä määritettäessä portin alkuperäistä sijoitusta tai valittaessa avoimen tai VATS-lähestymistavan välillä. Siksi keuhkopussin kiinnikkeiden tarkka ennustaminen ennen leikkausta on ratkaisevan tärkeää rintakehän ERAS-päiväkirurgian kehittymiselle, mikä varmistaa tulevien VATS-päiväleikkausten turvallisuuden ja tehokkuuden.

Aiemmat tutkimukset ovat osoittaneet, että rintakehän TT:n on vaikea ennustaa keuhkopussin kiinnittymiä, sillä sen herkkyys on vain 72 % ja herkkyys vain 46 % kiinnikkeiden määrittämiseksi tietyissä kohdissa. Sitä vastoin keuhkopussin ultraäänitutkimuksella (USP) voidaan dynaamisesti näyttää keuhkopussin liukumista ja tarttumista ympäröivään keuhkokudokseen, ja sillä on reaaliaikaiset seurantaominaisuudet, jotka perustuvat liikkeeseen, mikä tarjoaa ainutlaatuisia etuja keuhkopussin kiinnittymien havaitsemiseen. Preoperatiivisella pleuraadheesioiden ennustamisella USP:n avulla on merkittävä sovellusarvo. Tutkimukset ovat jo osoittaneet transthorakaalisen keuhkopussin ultraäänen käytön edut keuhkopussin kiinnittymien tunnistamiseen. Nicola et ai. suoritti 1 192 ultraääntä ennustaakseen keuhkopussin adheesioita, vahvisti 1 124 positiivista tapausta ja 68 negatiivista tapausta, herkkyydellä 80,6 %, spesifisyydellä 96,1 %, positiivisella ennustearvolla 73,2 % ja negatiivisella ennustearvolla 97,4 %. USP:n käyttämisessä pleuraadheesioiden ennustamiseen liittyy kuitenkin edelleen joitain ongelmia. Lääkäreiden, jotka pystyvät tunnistamaan keuhkopussin kiinnityksiä, on koulutettava keuhkojen ultraäänitutkimukseen, ja ultraäänitutkimus ja -tulkinta ovat taidoista riippuvaisia ​​tekniikoita. Rintakehän ultraäänilääkäreiden koulutustaakka on edelleen kliininen haaste.

Kolmiulotteinen konvoluutiohermoverkkoteknologia (3D-CNN) on nouseva teknologia tekoälyn ja koneoppimisen alalla. Toisin kuin perinteiset konvoluutiohermoverkot (CNN), 3D-CNN pystyy käsittelemään kolmiulotteista dataa, joka sisältää aikaulottuvuuden, joten se soveltuu ultraäänikuvien reaaliaikaisten dynaamisten kuvan ominaisuuksien analysointiin. Tällä tekniikalla on lupaus kehittää koneoppimismalli USP-kuvien tulkitsemiseen, mikä mahdollisesti korvaa lääkärin tulkinnan ja parantaa USP:n tarkkuutta keuhkopussin kiinnittymien tunnistamisessa.

Yhteenvetona voidaan todeta, että tämän tutkimuksen tarkoituksena on käyttää USP:tä keuhkopussin kiinnittymien ennen leikkausta tunnistamiseen potilailla, joille on suunniteltu VATS-leikkaus. Sen tavoitteena on tutkia USP:n tarkkuutta leikkauksensisäisten pleuraadheesioiden ennustamisessa ja kehittää 3D-CNN-teknologiaa käyttävä diagnostinen malli USP:hen liittyvien kuvien ja videotietojen käsittelemiseksi koneoppimista varten. Tutkimuksessa tutkitaan 3D-CNN-USP-mallin herkkyyttä, spesifisyyttä, positiivista ennustearvoa ja negatiivista ennustusarvoa keuhkopussin kiinnittymien tunnistamisessa. Lisäksi se tutkii 3D-CNN-USP:n käytön toteutettavuutta ja tehokkuutta keuhkopussin kiinnittymien ennen leikkausta tunnistamiseen päiväkirurgian toteuttamisen tukemiseksi rintakehäkirurgiassa.