Évaluation de la fonction pulmonaire postopératoire basée sur une étude d'apprentissage profond

Les améliorations apportées au dépistage par tomodensitométrie à faible dose ont conduit à une augmentation des diagnostics de cancer du poumon non à petites cellules (CPNPC) à un stade précoce, la résection chirurgicale - généralement une lobectomie ou une segmentectomie - restant l'option curative principale. À Hong Kong, cependant, les patients présentent fréquemment des comorbidités telles que des maladies respiratoires chroniques ou des problèmes cardiovasculaires, ce qui rend la préservation du tissu pulmonaire sain cruciale pour leur qualité de vie à long terme. La résection chirurgicale traditionnelle, telle que la lobectomie ou la segmentectomie, présente certaines limites en termes de préservation fonctionnelle. En revanche, l'ablation bronchoscopique robotique/naviguée est apparue ces dernières années comme une nouvelle stratégie de traitement endoscopique peu invasive. Cette approche a été mise en œuvre dans certains centres sélectionnés et démontre des avantages potentiels, notamment une récupération postopératoire plus rapide, un traumatisme réduit et une meilleure préservation de la fonction pulmonaire. En tirant parti de systèmes de navigation avancés, l'ablation bronchoscopique permet une localisation et une ablation précises des nodules pulmonaires, évitant ainsi la résection étendue de tissu pulmonaire sain requise en chirurgie traditionnelle. Ces avantages promettent d'améliorer la qualité de vie et les taux de survie à long terme des patients.

De plus, les tests conventionnels de la fonction pulmonaire comme le VEMS et la capacité de diffusion du monoxyde de carbone ne fournissent qu'une évaluation globale de la capacité respiratoire, ce qui peut ne pas saisir pleinement les changements régionaux de la fonction pulmonaire qui surviennent après une segmentectomie ou une lobectomie. De même, la volumétrie TDM de base néglige des détails anatomiques plus fins tels que la distribution des voies aériennes segmentaires, les réseaux microvasculaires et la compliance alvéolaire locale. En outre, il existe actuellement peu d'études comparatives directes entre l'ablation bronchoscopique robotique/naviguée et la résection chirurgicale traditionnelle concernant la fonction pulmonaire postopératoire et les résultats à long terme. Soutenu par le Research Grants Council, notre travail depuis 2019 a validé la faisabilité et la sécurité de cette technique, conduisant à une reconnaissance généralisée et à de nombreuses publications. Cependant, la plupart des recherches existantes sont rétrospectives ou dérivées de données monocentriques, avec un accent principal sur la sécurité à court terme et la faisabilité technique.

Pour remédier à ces limites, une approche intégrative utilisant l'imagerie 3D-TDM et l'apprentissage automatique est proposée. L'apprentissage automatique est une technologie qui utilise des algorithmes pour apprendre automatiquement à partir de données et faire des prédictions ou des décisions. L'apprentissage profond, un sous-domaine de l'apprentissage automatique, utilise des réseaux neuronaux multicouches pour extraire efficacement des caractéristiques et reconnaître des motifs dans des données complexes et de haute dimension. L'apprentissage automatique, et particulièrement l'apprentissage profond, a démontré un potentiel remarquable dans diverses applications d'imagerie médicale, y compris la détection de lésions, la segmentation des tissus et la prédiction des résultats. En apprenant automatiquement des motifs complexes dans des données de haute dimension, les modèles d'apprentissage automatique et d'apprentissage profond peuvent interpréter des caractéristiques radiologiques subtiles qui pourraient être manquées par des analyses conventionnelles. Dans le contexte de l'imagerie 3D-TDM pour le CPNPC, les architectures d'apprentissage profond - telles que les réseaux neuronaux convolutifs - peuvent extraire des caractéristiques détaillées à partir de scans volumétriques, permettant une quantification robuste de la taille, de la forme et de l'emplacement de la tumeur ainsi qu'une évaluation raffinée du parenchyme pulmonaire. Lorsqu'ils sont intégrés aux paramètres de la fonction pulmonaire et aux données cliniques, ces algorithmes fournissent un moyen puissant de générer des modèles prédictifs, d'identifier plus tôt les patients à risque et de guider la planification du traitement individualisé. De plus, les approches basées sur l'apprentissage automatique peuvent s'adapter aux ensembles de données évolutifs au fil du temps, affinant et améliorant continuellement leurs performances. Cette évolutivité et cette adaptabilité sont particulièrement précieuses dans les études prospectives, où de grands ensembles de données multimodales sont collectés pour évaluer l'impact à long terme de différentes stratégies de traitement. Par conséquent, l'intégration de l'apprentissage automatique et de l'apprentissage profond dans cette recherche améliore non seulement la précision de la prédiction des résultats, mais contribue également à un cadre standardisé pour l'évaluation dynamique et personnalisée de la fonction pulmonaire, guidant une prise de décision clinique plus éclairée.

L'objectif principal de cette étude est de déterminer si la segmentectomie offre réellement une meilleure préservation fonctionnelle que la lobectomie, si l'ablation bronchoscopique guidée par robotique/navigation atteint effectivement une préservation supérieure de la fonction pulmonaire par rapport à la résection chirurgicale traditionnelle, et dans quelles conditions spécifiques du patient chaque approche peut apporter le plus grand bénéfice. En entreprenant une investigation prospective et bien conçue, la recherche comblera une lacune critique dans les preuves concernant les résultats fonctionnels à long terme, fournissant des critères plus clairs pour sélectionner le type de résection le plus approprié. De plus, l'introduction d'un outil d'évaluation intégratif standardisé a le potentiel d'optimiser la prise de décision chirurgicale et les soins postopératoires, améliorant finalement la survie et la qualité de vie des patients atteints de CPNPC à un stade précoce à Hong Kong et pouvant potentiellement éclairer les meilleures pratiques dans d'autres contextes de soins de santé.