Tehostetun tekoälyn avulla toteutettu intraoperatiivinen ultraäänitutkimus aivokasvainleikkauksessa (BrainUS-AI)

Aivokasvainleikkaukset aiheuttavat merkittäviä haasteita aivojen monimutkaisen anatomian ja näiden leesioiden tunkeutavan luonteen vuoksi, sillä ne sijaitsevat usein elokuva-alueiden lähellä. Yksi potilaan selviytymisen keskeisistä tekijöistä on kasvaimen poiston laajuus, mikäli se voidaan saavuttaa vaarantamatta neurologista toimintaa 1. Turvallisen poiston maksimoimiseksi neurokirurgit turvautuvat erilaisiin leikkauksen aikaisiin apuvälineisiin, kuten fluoresoiviin aineisiin, neuronavigaatioon, suoraan sähköiseen stimulaatioon ja edistyneisiin leikkauksen aikaisiin kuvantamistekniikoihin, joista merkittävimpiä ovat leikkauksen aikainen magneettikuvaus (ioMRI) ja leikkauksen aikainen ultraääni (ioUS) 2.

Vaikka ioMRI tarjoaa erinomaisen resoluution ja tarkkuuden, sen korkeat kustannukset, logistiset vaatimukset ja integroinnin monimutkaisuus rajoittavat sen saatavuutta pieneen määrään erikoistuneita keskuksia 3. Sitä vastoin ioUS on edullinen, monipuolinen menetelmä, joka integroituu luonnollisesti kirurgiseen työnkulkuun 4-6. Sen laajempaa käyttöönottoa on kuitenkin rajoittanut useat tekijät: suuri operaattoririippuvuus, jyrkkä oppimiskäyrä ja tulkintahaasteet, jotka liittyvät artefakteihin, epästandardeihin kuvantamistasoihin, matalaan kontrastiin kasvaimen ja normaalin aivokudoksen välillä sekä rajoittuneeseen näkökenttään.

Viimeisten vuosikymmenten aikana tekoälyyn perustuvan aivokasvainsegmentoinnin tutkimus on edistynyt merkittävästi, mutta suurin osa työstä on keskittynyt magneettikuvaukseen 7. IoUS:n yhteydessä varhaiset tutkimukset, kuten Ritschel et al. 8, osoittivat, että valvotut luokittelumallit (esim. tukivektorikoneet) pystyivät erottamaan kasvaimen terveestä kudoksesta kontrastia vahvistetussa ultraäänessä, mutta nämä lähestymistavat olivat työvoimavaltaisia ja rajoittuivat pieniin tietoaineistoihin. Ilunga-Mbuyamba et al. 9 tutkivat myöhemmin monimuotoista rekisteröintiä ioUS:n ja magneettikuvauksen välillä segmentoinnin parantamiseksi, mutta kliininen toteutettavuus rajoittui tarkan yhteisrekisteröinnin tarpeeseen. Viime aikoina Canalini et al. 10 ja Carton et al. 11 ovat soveltaneet syväoppimiseen perustuvia lähestymistapoja segmentoidakseen kirurgisia onteloita ja kasvaintilavuuksia ioUS-kuvissa.

Huipputason menetelmät, kuten Faanes et al. 12 raportoimat nnU-Net-arkkitehtuurien avulla, ovat saavuttaneet lupaavia Dice-samankaltaisuuskertoimia 0,6–0,9 julkisilla tietoaineistoilla, kuten RESECT-SEG 13 ja ReMIND 14. Nämä mallit eivät kuitenkaan ole suunniteltu reaaliaikaiseen päättelyyn, eivätkä ole läpikäyneet validointia elävissä kirurgisissa olosuhteissa. Muut lähestymistavat, kuten Dorent et al. 15, ovat nojautuneet synteettisiin ultraääniin, jotka on johdettu leikkauksen edeltävästä magneettikuvauksista, herättäen huolen yleistettävyydestä todelliseen ioUS-dataan. Kaiken kaikkiaan näistä edistysaskeleista huolimatta kliininen siirto on edelleen rajallinen ioUS:n ainutlaatuisten haasteiden vuoksi, mukaan lukien alhaisempi spatiaalinen resoluutio, kuvan heterogeenisyys ja hankintaprotokollien vaihtelu.

Muilla lääketieteen aloilla tekoälyavusteinen ultraäänisegmentointi on osoittanut reaaliaikaisen toteutettavuuden. Esimerkiksi Hu et al. 16 toteuttivat U-Net-pohjaisia malleja rintalastion segmentointiin nopeudella 16 kuvaa sekunnissa (FPS) Dice-pisteillä yli 0,75, kun taas Wei et al. 17 sovelsivat YOLO-pohjaista havaitsemista tunnistaakseen kaulavaltimolaattoja 98,5 % tarkkuudella nopeudella 39 FPS. Huolimatta niiden tehokkuudesta ja tarkkuudesta, vastaavia lähestymistapoja ei ole vielä toteutettu ja kliinisesti validoitu aivokasvainleikkauksissa ioUS:lla.

Hankkeemme pyrkii täyttämään tämän aukon suorittamalla monikeskuksellisen, prospektiivisen, ei-satunnaistetun validoinnin prototyyppisestä syväoppimiseen perustuvasta segmentointimallista, joka on suunniteltu erityisesti reaaliaikaiseen leikkauksen aikaisen aivokasvainultraäänen käyttöön. Malli toimii kirurgisilla kuvataajuuksilla, hahmottaen automaattisesti kasvaimen rajat suoraan live-ultraäänisyötteessä, tavoitteenaan avustaa leikkauksen aikaisessa päätöksenteossa, maksimoida poiston laajuus onkologisesti sopivissa tapauksissa ja säilyttää neurologinen toiminta.

Tämä tutkimus rakentuu aiempaan työhömme, joka on luonut vahvan tieteellisen perustan ehdotetulle validoinnille. Viimeisimmässä julkaisussamme, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, koulutimme ja validoimme syväoppimismallin aivokasvainsegmentointiin käyttäen monikeskuksellista dataa BraTioUS-DB:stä – mikä merkitsee merkkipaalua ioUS-tutkimuksessa. Toisessa tutkimuksessa, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, kehitimme ja arvioimme prospektiivisesti reaaliaikaisen tietokonenäön havaitsemismallin leikkaussalissa. Yhdessä nämä panokset tarjoavat vankan viitekehyksen edistääkseen reaaliaikaista tekoälyyn perustuvaa segmentointia leikkauksen aikaisessa ultraäänessä, suoraan linjassa tämän tutkimuksen tavoitteiden kanssa.