CLASSICA : Validation de l'IA dans la classification du cancer dans l'étude chirurgicale en temps réel 1

Les polypes rectaux > 2 cm (affectant environ 10 000 patients par an rien qu'en Europe) représentent un défi clinique considérable. Alors que les polypes plus petits peuvent être traités par polypectomie endoscopique de routine et que le cancer clinique franc progressera grâce à un paradigme de chirurgie oncologique traditionnelle, les polypes de cette taille ont la possibilité d'être excisés localement, intacts par résection endoscopique transanale (également appelée chirurgie transanale minimalement invasive, TAMIS). Il s'agit du traitement de choix dans ce site en raison de sa capacité à fournir un seul échantillon complet non fragmenté par rapport à d'autres modalités (par ex. résection sous-muqueuse endoscopique). Alors que la technologie et la formation permettant la résection transanale sont devenues beaucoup plus disponibles au cours de la dernière décennie (en particulier TAMIS), ce qui signifie que davantage de patients peuvent avoir de grandes lésions bénignes et même certains cancers rectaux précoces excisés dans leurs centres spécialisés locaux, le principal frein à ces soins est la sélection des patients : c'est-à-dire comment savoir si un patient donné a un polype bénin ou un cancer avant sa résection.

Les biopsies endoscopiques sont notoirement imprécises dans jusqu'à 20 % de ces lésions (les cancers rectaux commencent le plus souvent par des lésions adénomateuses et les biopsies superficielles peuvent donc manquer un foyer malin). Identifier par erreur un cancer comme une lésion bénigne et le traiter par excision locale aggrave considérablement le pronostic et compromet la chirurgie ultérieure du cancer - y compris la conversion potentielle d'un site de résection reconstructible (c'est-à-dire une lésion adaptée à la résection antérieure) en un site non reconstructible (c'est-à-dire nécessitant une résection abdomino-périnéale avec colostomie permanente) et en ensemençant des cellules cancéreuses dans une marge profonde ou un plan différent, en particulier comme dans le cas des lésions antérieures. De plus, les techniques d'excision transanale continuent d'avoir des taux relativement élevés de marges positives ; cela risque de repousser les lésions bénignes et limite l'efficacité du traitement local des cancers au stade le plus précoce en raison de la présence d'une maladie inapparente à proximité de la masse tumorale principale.

Nous avons précédemment démontré, grâce à l'utilisation de vert d'indocyanine fluorescent (ICG), que la perfusion est visiblement différente, entre la tumeur et le tissu sain. Cette différence peut être capturée via une vidéo infrarouge et une analyse mathématique peut différencier le schéma de perfusion des zones malignes de tout tissu bénin/normal également visible dans la même vue endoscopique. En bref, la saturation de la fluorescence dans chaque région d'intérêt (c'est-à-dire une tumeur ou une zone de muqueuse normale) peut être mesurée à partir de la vidéo enregistrée à l'aide d'un logiciel existant développé par IBM. Le changement de fluorescence au fil du temps peut être tracé sur une courbe, démontrant l'afflux, le pic et le débit d'ICG, qui dépend des modèles de perfusion dans la région d'intérêt. Ces courbes diffèrent selon le tissu examiné et peuvent donc être utilisées pour classer les tumeurs bénignes des tumeurs malignes en calculant la pente de l'absorption et l'aire sous la courbe pour mesurer l'écoulement. Par conséquent, dans un endroit (tel que le rectum) où un cancer est suspecté, l'analyse de la vidéo peut être utilisée pour différencier les tissus sains des tissus cancéreux. Cette découverte peut être exploitée à des fins cliniques par l'application de méthodes d'IA, notamment la vision par ordinateur et l'apprentissage automatique. Essentiellement, l'intensité de fluorescence des pixels affichant des tissus d'intérêt varie avec le flux sanguin (perfusion), lorsque le sang est teint avec de l'ICG et éclairé par une lumière proche infrarouge (NIR). L'intensité est capturée au fil du temps, à partir de plusieurs images vidéo, et cette intensité est tracée sous forme de courbe. Les courbes d'intensité du tissu tumoral sont différentes de celles du tissu sain, et celles des tumeurs bénignes sont différentes des tumeurs malignes. L'analyse des caractéristiques de la courbe pour chaque pixel dans une région d'intérêt peut ainsi conduire à une classification.

Un tel système d'IA a déjà été prototypé et formé à l'hôpital Mater avec des vidéos d'une population de patients irlandais atteints de cancer provenant de deux centres régionaux, afin qu'il puisse identifier automatiquement les tumeurs malignes et les lésions bénignes des tissus sains par leurs schémas de perfusion. Ce prototype a déjà démontré une précision > 80 %.

Dans cette étude, nous validons cliniquement le concept de base ou la méthode de classification des tissus par ses caractéristiques de signal de fluorescence tout en voyant également si un appareil peut être construit sur la base de cela qui peut extrapoler les données générées à partir des vidéos par le personnel de l'UCD. Nous abordons également la question de la généralisabilité : d'autres chirurgiens peuvent-ils utiliser le système et obtenir des résultats similaires à partir de leurs cohortes de patients spécifiques ? Cela ouvrira la voie à de futures études qui sont prévues pour déterminer les rôles de la biopsie (le système peut-il permettre un choix optimal du tissu biopsié, et ainsi réduire l'erreur de biopsie ?) ; et la résection tumorale (le système peut-il augmenter l'exhaustivité et la précision de la résection tumorale ?).