Échographie peropératoire pour la chirurgie des tumeurs cérébrales améliorée par l'IA (BrainUS-AI)

La chirurgie des tumeurs cérébrales présente des défis majeurs en raison de l'anatomie complexe du cerveau et de la nature infiltrative de ces lésions, souvent situées près de zones éloquentes. L'un des principaux déterminants de la survie des patients est l'étendue de la résection tumorale, à condition qu'elle puisse être réalisée sans compromettre la fonction neurologique 1. Pour maximiser la résection en toute sécurité, les neurochirurgiens s'appuient sur divers adjuvants peropératoires, notamment les agents fluorescents, la neuronavigation, la stimulation électrique directe et les techniques d'imagerie peropératoire avancées, notamment l'imagerie par résonance magnétique peropératoire (IRMio) et l'échographie peropératoire (échoio) 2.

Bien que l'IRMio offre une excellente résolution et précision, son coût élevé, ses exigences logistiques et sa complexité d'intégration limitent sa disponibilité à un petit nombre de centres spécialisés 3. En revanche, l'échoio est une modalité peu coûteuse et polyvalente qui s'intègre naturellement dans le flux de travail chirurgical 4-6. Néanmoins, son adoption plus large a été limitée par plusieurs facteurs : une forte dépendance à l'opérateur, une courbe d'apprentissage abrupte et des défis d'interprétation liés aux artefacts, aux plans d'imagerie non standardisés, au faible contraste entre la tumeur et le cerveau normal, et à un champ de vision restreint.

Au cours des dernières décennies, la recherche sur la segmentation des tumeurs cérébrales basée sur l'IA a considérablement progressé, mais la plupart des travaux se sont concentrés sur l'IRM 7. Dans le contexte de l'échoio, des études précoces telles que celle de Ritschel et al. 8 ont démontré que des modèles de classification supervisés (par exemple, les machines à vecteurs de support) pouvaient distinguer la tumeur du tissu sain dans l'échographie de contraste, mais ces approches étaient laborieuses et limitées à de petits ensembles de données. Ilunga-Mbuyamba et al. 9 ont ensuite étudié l'enregistrement multimodal entre l'échoio et l'IRM pour améliorer la segmentation, mais la faisabilité clinique était limitée par la nécessité d'une co-enregistrement précis. Plus récemment, des approches basées sur l'apprentissage profond par Canalini et al. 10 et Carton et al. 11 ont été appliquées pour segmenter les cavités chirurgicales et les volumes tumoraux dans les images d'échoio.

Les méthodes de pointe telles que celles rapportées par Faanes et al. 12, utilisant des architectures nnU-Net, ont atteint des coefficients de similarité de Dice prometteurs de 0,6 à 0,9 sur des ensembles de données publics tels que RESECT-SEG 13 et ReMIND 14. Cependant, ces modèles n'étaient pas conçus pour l'inférence en temps réel et n'ont pas été validés dans des contextes chirurgicaux en direct. D'autres approches, comme celle de Dorent et al. 15, se sont appuyées sur des images ultrasonores synthétiques dérivées de l'IRM préopératoire, soulevant des inquiétudes quant à la généralisabilité aux données réelles d'échoio. Dans l'ensemble, malgré ces avancées, la traduction clinique reste limitée en raison des défis uniques de l'échoio, notamment une résolution spatiale plus faible, l'hétérogénéité des images et la variabilité des protocoles d'acquisition.

Dans d'autres domaines médicaux, la segmentation ultrasonore assistée par l'IA a démontré sa faisabilité en temps réel. Par exemple, Hu et al. 16 ont implémenté des modèles basés sur U-Net pour la segmentation des lésions mammaires à 16 images par seconde (IPS) avec des scores de Dice dépassant 0,75, tandis que Wei et al. 17 ont appliqué la détection basée sur YOLO pour identifier les plaques carotidiennes avec une précision de 98,5 % à 39 IPS. Malgré leur efficacité et leur précision, des approches similaires n'ont pas encore été implémentées et validées cliniquement pour la chirurgie des tumeurs cérébrales utilisant l'échoio.

Notre projet vise à combler cette lacune en menant une validation multicentrique, prospective, non randomisée d'un prototype de modèle de segmentation basé sur l'apprentissage profond spécifiquement conçu pour l'échographie peropératoire des tumeurs cérébrales en temps réel. Le modèle fonctionne à des fréquences d'images chirurgicales, délimitant automatiquement les limites tumorales directement sur le flux ultrasonore en direct, dans le but d'aider la prise de décision peropératoire, de maximiser l'étendue de la résection lorsqu'elle est oncologiquement appropriée et de préserver la fonction neurologique.

Cette étude s'appuie sur nos travaux antérieurs, qui ont établi une base scientifique solide pour la validation proposée. Dans notre publication récente, « Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS) » 18, nous avons entraîné et validé un modèle d'apprentissage profond pour la segmentation des tumeurs cérébrales en utilisant des données multicentriques de BraTioUS-DB, marquant une étape importante dans la recherche sur l'échoio. Dans une deuxième étude, « Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room » 19, nous avons développé et évalué prospectivement un modèle de détection en vision par ordinateur en temps réel en salle d'opération. Ensemble, ces contributions fournissent un cadre robuste pour faire progresser la segmentation basée sur l'IA en temps réel dans l'échographie peropératoire, directement aligné sur les objectifs de la présente étude.