Tanulmány az indocianin zöld limfográfia osztályozási módszeréről a mély tanuláson alapuló (BCRL；ICG)

A mellrákhoz kapcsolódó limfödéma (BCRL) a mellrák műtétek utáni leggyakoribb szövődmény, amely súlyos pszichés és lelki terhet ró a betegekre. A nyiroködéma diagnózisa és kezelése hosszú ideje nehéz pontja volt a hazai és külföldi kutatásoknak. Ez nagyrészt azért van így, mert az orvoshoz forduló betegek többségénél már nyilvánvaló nyiroködéma alakult ki, és a belső nyirokerek kóros átalakuláson mentek keresztül[1] Ezért különösen fontos a nyiroködéma korai felismerése és időben történő beavatkozása. érzékeny szűrőeszközök használatával. Az indocianine green (ICG) limfangiográfia egy viszonylag új módszer, amely valós időben és gyorsan képes megjeleníteni a felületes nyirokáramlást, és nem befolyásolja a radioaktivitás [7]. 2007-ben először alkalmaztak indocianin zöld limfográfiát a felületes nyirokerek működésének értékelésére. 2011-ben japán tudósok 20, emlőrák műtét után nyiroködémás beteg ICG limfográfiai adatai alapján találtak bőrreflux jeleket, amelyeket súlyosságuk szerint nagyjából három típusra osztottak: fröccsenő, csillaghalmaz és diffúz (1. ábra) [8] ]. Később, 2016-ban egy 196 ember bevonásával készült prospektív tanulmány megerősítette az ICG limfográfia értékét a nyiroködéma korai diagnózisában, és az ICG limfográfia képeit specifikusabbá tette 0-5. 2011-ben egy kis mintájú klinikai vizsgálatban talált bőrrefluxtünetek típusai, amelyek a tényleges klinikai alkalmazásokban nem teljesen alkalmazhatók. Ezen túlmenően, ha az ICG limfangiográfián kóros bőrreflux tünetek jelennek meg, a szervezetben fellépő patofiziológiai változásokat nem kell kutatni és feltárni. Ezért ez a kutatás azt reméli, hogy gépi tanuláson (deep learning) keresztül finomíthatja az ICG limfográfia képi jellemzőit, és létrehozhat egy PKUPH-modellt a korai lymphedema diagnosztizálására a képi jellemzők stádiumba vételével.