Syväoppimiseen perustuva tutkimus leikkauksen jälkeisestä keuhkotoiminnan arvioinnista

Mataladoosinen CT-seulonta on kehittynyt, mikä on johtanut varhaisten ei-pienisoluisen keuhkosyövän (NSCLC) diagnoosien lisääntymiseen, ja kirurginen resektio – yleensä lobektomia tai segmentektomia – on edelleen ensisijainen parantava hoitovaihtoehto. Hongkongissa potilailla on kuitenkin usein yhteissairauksia, kuten kroonisia hengityselinsairauksia tai sydän- ja verisuoniongelmia, mikä tekee terveen keuhkokudoksen säilyttämisen ratkaisevan tärkeäksi heidän pitkän aikavälin elämänlaadulleen. Perinteisellä kirurgisella resektiolla, kuten lobektomialla tai segmentektomialla, on tiettyjä rajoituksia toiminnallisen säilyttämisen kannalta. Vastaavasti robotiikka-/navigointiohjattu bronkoskooppinen ablaatio on noussut viime vuosina uutena minimaalisesti invasiivisena endoskooppisena hoitostrategiana. Tätä lähestymistapaa on toteutettu valituissa keskuksissa, ja se osoittaa potentiaalisia etuja, kuten nopeamman leikkauksen jälkeisen toipumisen, vähentyneen trauman ja parantuneen keuhkotoiminnan säilyttämisen. Hyödyntämällä kehittyneitä navigointijärjestelmiä bronkoskooppinen ablaatio mahdollistaa keuhkosolujen tarkan paikallistamisen ja ablatoinnin välttäen terveen keuhkokudoksen laajaa resektiota, jota perinteinen kirurgia vaatii. Nämä edut antavat lupaavia mahdollisuuksia potilaiden pitkän aikavälin elämänlaadun ja selviytymisasteen parantamiseen.

Lisäksi perinteiset keuhkotoimintatestit, kuten FEV₁ ja hiilimonoksidin diffuusiokapasiteetti, antavat vain kokonaisarvion hengityskapasiteetista, joka ei välttämättä täysin kuvaa segmentektomian tai lobektomian jälkeisiä alueellisia muutoksia keuhkotoiminnassa. Vastaavasti perus-CT-volumetria jättää huomiotta hienommat anatomiset yksityiskohdat, kuten segmentaalisen ilmatiekanavan jakautumisen, mikrovaskulaarisen verkoston ja paikallisen alveolaarisen joustavuuden. Lisäksi tällä hetkellä on vähän suoria vertailevia tutkimuksia robotiikka-/navigointiohjautuvan bronkoskooppisen ablatoinnin ja perinteisen kirurgisen resektion välillä leikkauksen jälkeisen keuhkotoiminnan ja pitkän aikavälin tulosten suhteen. Research Grants Councilin tukemana työmme vuodesta 2019 on vahvistanut tämän tekniikan toteutettavuuden ja turvallisuuden, mikä on johtanut laajaan tunnustukseen ja useisiin julkaisuihin. Useimmat olemassa olevat tutkimukset ovat kuitenkin retrospektiivisiä tai peräisin yhden keskuksen tiedoista, ja niissä keskitytään ensisijaisesti lyhyen aikavälin turvallisuuteen ja teknisen toteutettavuuteen.

Näiden rajoitusten ratkaisemiseksi ehdotetaan integroitua lähestymistapaa, joka hyödyntää 3D-CT-kuvantamista ja koneoppimista. Koneoppiminen on tekniikka, joka käyttää algoritmeja oppimaan automaattisesti tiedoista ja tekemään ennusteita tai päätöksiä. Syväoppiminen, koneoppimisen ala-alue, hyödyntää monikerroksisia hermoverkkoja poimimaan tehokkaasti piirteitä ja tunnistamaan kaavoja monimutkaisissa, korkeaulotteisissa tiedoissa. Koneoppiminen ja erityisesti syväoppiminen on osoittanut merkittävää potentiaalia erilaisissa lääketieteellisen kuvantamisen sovelluksissa, mukaan lukien leesioiden havaitseminen, kudosten segmentointi ja tulosten ennustaminen. Oppimalla automaattisesti monimutkaisia kaavoja korkeaulotteisista tiedoista, koneoppimisen ja syväoppimisen mallit voivat tulkita hienovaraisia radiologisia ominaisuuksia, jotka perinteiset analyysit saattavat jättää huomiotta. NSCLC:n 3D-CT-kuvantamisen yhteydessä syväoppimisen arkkitehtuurit – kuten konvoluutioneuroverkot – voivat poimia yksityiskohtaisia piirteitä tilavuuskuvauksista, mahdollistaen robustin kasvainten koon, muodon ja sijainnin kvantifioinnin sekä keuhkoparenkyymin hienostuneen arvioinnin. Kun nämä algoritmit yhdistetään keuhkotoimintaparametreihin ja kliinisiin tietoihin, ne tarjoavat tehokkaan keinon luoda ennustavia malleja, tunnistaa riskialttiita potilaita aikaisemmin ja ohjata yksilöllistä hoitosuunnittelua. Lisäksi koneoppimiseen perustuvat lähestymistavat voivat sopeutua ajan myötä kehittyviin tietoaineistoihin, jatkuvasti hienontaan ja parantaen suorituskykyään. Tämä skaalautuvuus ja mukautuvuus ovat erityisen arvokkaita prospektiivisissa tutkimuksissa, joissa kerätään suuria, multimodaalisia tietoaineistoja eri hoitostrategioiden pitkän aikavälin vaikutusten arvioimiseksi. Näin ollen koneoppimisen ja syväoppimisen sisällyttäminen tähän tutkimukseen ei vain paranna tulosten ennustamisen tarkkuutta, vaan myös edistää standardoitua viitekehystä keuhkotoiminnan dynaamiseen, personoituun arviointiin, ohjaten paremmin perusteltuja kliinisiä päätöksiä.

Tämän tutkimuksen ensisijainen tavoite on selvittää, tarjoaako segmentektomia todella paremman toiminnallisen säilyttämisen kuin lobektomia, saavuttaako robotiikka-/navigointiohjattu bronkoskooppinen ablaatio todella paremman keuhkotoiminnan säilyttämisen verrattuna perinteiseen kirurgiseen resektioon, ja missä erityisissä potilastilanteissa kukin lähestymistapa voi tuottaa suurimman hyödyn. Suorittamalla prospektiivisen, hyvin suunnitellun tutkimuksen tutkimus täyttää kriittisen aukon todisteissa pitkän aikavälin toiminnallisista tuloksista, tarjoten selkeämmät kriteerit sopivimman resektiotyypin valitsemiseen. Lisäksi standardoidun, integroidun arviointityökalun käyttöönotolla on mahdollisuus optimoida kirurgista päätöksentekoa ja leikkauksen jälkeistä hoitoa, lopulta parantaen varhaisten NSCLC-potilaiden selviytymistä ja elämänlaatua Hongkongissa ja mahdollisesti vaikuttaen parhaisiin käytäntöihin muissa terveydenhuollon konteksteissa.