Examen peropératoire utilisant HYperspectral basé sur l'apprentissage MAChine pour le diagnostic et l'évaluation autonome de l'anatomie (iEXMachyna3)

La reconnaissance peropératoire des structures cibles, qui doivent être préservées ou retirées de manière sélective, est d'une importance primordiale au cours des procédures chirurgicales. Cette tâche repose principalement sur les connaissances anatomiques et l'expérience de l'opérateur. Dans le cadre d'une chirurgie mini-invasive, le retour tactile est réduit et la vision du chirurgien est le seul indice pour discriminer les tissus. Une perception erronée de l'anatomie, due à des conditions pathologiques spécifiques au patient et/ou à l'inexpérience du chirurgien, peut entraîner un risque accru de lésion iatrogène des structures anatomiques critiques et peut avoir des conséquences dévastatrices. L'imagerie hyperspectrale (HSI) représente une technologie prometteuse qui combine une caméra photo à un spectromètre et qui est capable d'effectuer un balayage optique en temps réel sur une grande surface, de manière sans contraste, fournissant des informations à la fois spatiales et spectrales, générées par l'interaction tissus/lumière. La technologie est basée sur l'utilisation de mesures d'imagerie spectroscopique de réflectance. La mesure consiste en l'irradiation de lumière blanche sur la zone (lampes halogènes normales, en intensité non nocive) et l'enregistrement des intensités spectrales réémises de la zone sous forme de spectres de rémission. L'interaction optique (diffusion, absorption) de la lumière incidente avec les différents composants (y compris la profondeur) du matériau cible (par ex. tissus biologiques) modifie la distribution spectrale de la lumière de sorte que la lumière renvoyée transporte des informations sur la composition et la physiologie actuelles du matériau ou du tissu (par ex. perfusion). HSI est une méthode déjà établie de classification objective des informations d'image dans un certain nombre de domaines scientifiques (par ex. télédétection), qui a été appliquée pour la première fois dans le domaine de la médecine humaine il y a environ 15 ans. En raison des avantages intrinsèques du prélèvement d'échantillons non destructif, des possibilités d'interfaçage avec des modalités optiques courantes (microscope, endoscope) et des résultats quantitatifs indépendants de l'examinateur, diverses approches ont été développées entre-temps pour exploiter le potentiel de l'imagerie hyperspectrale en médecine.

Son utilité dans le domaine biomédical a déjà été largement prouvée. Elle a déjà été appliquée en chirurgie digestive pour quantifier l'hémoglobine oxygénée intestinale lors de plusieurs interventions, ou en cas d'ischémie mésentérique. Un certain nombre de travaux antérieurs se sont concentrés avec succès sur la capacité de HSI à faire la distinction entre les tissus normaux et tumoraux, dans le cancer de la prostate, le cancer colorectal, le cancer gastrique, le glioblastome, les cancers de la tête et du cou. Dans le domaine oncologique, les avancées dans la classification des caractéristiques hyperspectrales ont été remarquables et ont conduit à l'utilisation réussie d'algorithmes sophistiqués d'apprentissage en profondeur. En chirurgie, l'utilité de la caméra HSI a été étudiée pour visualiser le champ opératoire en cas d'hémorragie difficile ou pour détecter la présence de tumeur dans les marges de résection après exérèse chirurgicale.

Un groupe japonais a utilisé un système HSI comme outil de visualisation supplémentaire pour détecter l'ischémie intestinale et aussi pour classer l'anatomie intra-abdominale. Ils ont identifié une longueur d'onde particulière (756-830 nm) pour la différenciation entre l'intestin sain et moins perfusé. Ils ont également démontré que la rate, le côlon, l'intestin grêle, la vessie et le péritoine ont des caractéristiques spectrales différentes. Cette découverte pourrait permettre à l'avenir une navigation basée sur le HSI du champ d'opération. Notre groupe a récemment utilisé HSI comme outil peropératoire dans le modèle porcin pour quantifier la perfusion des organes du tractus gastro-intestinal par rapport à des marqueurs biologiques robustes. Les résultats ont montré que cette technologie est capable de quantifier l'apport sanguin intestinal avec un haut degré de précision.

D'autres groupes ont précédemment tenté de distinguer les voies biliaires des vaisseaux, l'œsophage du tissu trachéal, la thyroïde de la glande parathyroïde, le nerf et l'uretère des tissus environnants. Cependant, ces travaux antérieurs visant à reconnaître les structures anatomiques clés ont été menés à l'aide d'algorithmes simples de discrimination de caractéristiques ou de méthodes de sélection de bandes. La quantité d'informations obtenues après chaque acquisition varie en fonction de la résolution de la caméra, mais est assez importante. Par conséquent, des techniques d'apprentissage automatique et en profondeur pour la classification des données et l'extraction des caractéristiques sont nécessaires. Dans un ensemble d'expériences contrôlées dans le modèle porcin, des signatures hyperspectrales ont été utilisées avec succès, couplées à des algorithmes d'apprentissage automatique, pour discriminer des structures anatomiques fines telles que des nerfs ou des uretères en peropératoire (données non publiées).

L'étude i-EX-MACHYNA3 vise à traduire la technologie HSI en combinaison avec plusieurs algorithmes d'apprentissage en profondeur pour différencier les différentes classes de tissus humains (y compris les structures anatomiques clés telles que la BD, les nerfs et les uretères).