AI-pohjainen kolmiulotteisen ultraäänen avulla tehtävä läppäprolapsin muoto- ja toiminta-analyysi (AI4MVP)

Tämä prospektiivinen tutkimus pyrkii selvittämään MVP:n anatomia- ja biomekaanisia ominaisuuksia käyttämällä RT3DEE:ta ja kehittyneitä tekoälyyn (AI) perustuvia kuvananalyysitekniikoita. Tavoitteena on kehittää automatisoitu viitekehys MV-laitteen segmentoinnille ja morfologiselle arvioinnille sekä suorittaa FE-mallinnus arvioidakseen degeneratiivisen MVP:n ja siihen liittyvien kirurgisten korjausten biomekaanisia vaikutuksia.

Kuvantamisprotokolla Leikkaussalin RT3DE suoritetaan leikkaussalissa osana standardia kuvantamisprotokollaa kirurgisen MVP-korjauksen aikana. Käytettäväksi on valittu Vivid S70N-ultraääni järjestelmä (GE Healthcare), joka on varustettu 6VT 4D monitaso RT3DE-anturilla. Standardit keskis-ruokatorven RT3DE-näkymät otetaan talteen, mukaan lukien täydelliset vasemman kammion (LV) tilavuudet sekä zoomaatut, tahdistetut 3D-näkymät MV-kompleksista (annulus, lehdet ja papillaarilihakset). Kuvanlaadun parantamiseksi zoomaatut otokset rajoitetaan pienimpään pyramidi-tilavuuteen, joka kattaa koko mitraliskompleksin, varmistaen kuvataajuuden ≥20 Hz. Kaikki kuvantamisaineistot anonymisoidaan ennen analyysiä.

Kirurginen protokolla MVP:n kirurginen korjaus suoritetaan yleisanestesiassa oikean minitorakotomian kautta. Kirurgiset tekniikat sisältävät: i) lehden resektion (ylimääräisen lehden kudoksen poisto); ii) neokordaalin implantointi (laajennetun polytetrafluoroetyleenin, ePTFE, keinotekoisten kordaiden sijoittaminen); annulusplastia (annulusplastiarenkaan tai perikardikaistaleen implantointi annuluksen stabiloimiseksi).

Tapauksissa, joissa merkittävä määrä lehden kudosta poistetaan (≥10×10 mm), näytteet kerätään ja varastoidaan instituution BioCor-biopankkiin histologista ja morfometristä analyysiä varten. Näytteet desinfioidaan, kryopreservoidaan ja varastoidaan -80°C:ssa. Histologisen arvioinnin jälkeen kaikki biologinen materiaali tuhotaan.

Kliinisten tietojen keruu Demografiset (esim. ikä, sukupuoli) ja kliiniset tiedot (esim. diagnoosi, lääkitys, komorbiditeetit) kerätään potilastiedoista ja anonymisoidaan.

Neuroverkkojen koulutus kuvan segmentointiin Anonymisoidut RT3DE-aineistot segmentoidaan manuaalisesti asiantuntijaoperaattoreiden toimesta käyttäen kehittynyttä kuvananalyysiohjelmistoa (esim. 3D Slicer). Vähintään 150 RT3DE-otosta käsitellään luodakseen binäärimaskit MV-annuluksesta, lehdistä ja papillaarilihaksista.

Näitä segmentoituja aineistoja käytetään konvoluutioneuroverkon (CNN) kouluttamiseen, todennäköisesti perustuen 3D U-Net-arkkitehtuuriin; 70 % aineistoista käytetään koulutusaineistona ja 30 % varataan testaamiseen ja validointiin.

CNN oppii automaattisesti segmentoimaan MV-rakenteet ja luomaan 3D-pintamalleja. Keskeiset anatomiapiirteet—kuten annuluksen ääriviiva, lehden vapaareuna, komissuurit ja papillaarilihasten sijainnit—erotetaan automaattisesti.

Kvantitatiiviset geometriset parametrit sisältävät annulaarisen alueen, kehän, anteroposteriorisen halkaisijan, komissuraalileveyden, annulaarisen korkeuden ja elliptisyyden, lehden mitat, koaptaatioalueet ja pullistumisasteen.

FE-analyysi Potilaskohtaiset 3D-mallit mitralisklapista rekonstruoidaan segmentoidusta RT3DE-aineistosta. Nämä mallit käsitellään tasoittamalla ja uudelleenverkottamalla luodakseen korkealaatuiset verkot rakenteellista FE-analyysiä varten. Chordae tendineae mallinnetaan perustuen vakiintuneisiin anatomia-pohjaisiin malleihin ja säädetään vastaamaan fysiologisia pituuksia. Kudoksen materiaaliominaisuudet määritetään julkaistun kokeellisen datan perusteella.

FE-simulaatioita käytetään kvantifioimaan jännitysjakauma MV-lehdillä, arvioimaan kuormansiirtoa lehtien ja papillaarilihasten välillä sekä arvioimaan kirurgisten toimenpiteiden (esim. neokordaalin implantointi, annulusplastia) mekaanisia vaikutuksia. Nämä simulaatiot ovat retrospektiivisiä ja tutkivia; ne eivät vaikuta kirurgiseen päätöksentekoon.

Seuranta Postoperatiivista seurantaa ei vaadita normaalin kliinisen hoidon lisäksi. Tutkimus keskittyy leikkaussalikuvantamiseen ja kudoksen keräämiseen, jota seuraa offline-kuvananalyysi ja laskennallinen mallinnus.