CLASSICA: A mesterséges intelligencia érvényesítése a rák osztályozásában a valós idejű sebészeti vizsgálatban 1.

A 2 cm-nél nagyobb méretű végbélpolipok (csak Európában évente kb. 10 000 beteget érintenek) jelentős klinikai kihívást jelentenek. Míg a kisebb polipokat rutin endoszkópos polipektómiával lehet kezelni, és az őszinte klinikai rák a hagyományos ráksebészeti paradigmán keresztül fejlődik, az ekkora polipokat lehetőség van helyileg kimetszeni, sértetlenül transzanális endoszkópos reszekcióval (más néven transzanális minimálisan invazív sebészet, TAMIS). Ez a választott kezelés ezen a helyen, mivel egyetlen teljes, töredezett példányt képes biztosítani más módozatokkal szemben (pl. endoszkópos submucosalis reszekció). Míg a transzanális reszekciót lehetővé tévő technológia és képzés sokkal elérhetőbbé vált az elmúlt évtizedben (különösen a TAMIS), ami azt jelenti, hogy több betegnél lehet nagy jóindulatú elváltozások, és még néhány korai végbélrákot is kimetszenek a helyi szakosodott központjukban, az ilyen ellátás most a fő fékező. a betegkiválasztás: hogyan lehet megmondani, hogy az adott betegnél jóindulatú polip vagy rák van-e a reszekció előtt.

Az endoszkópos biopsziák az ilyen elváltozások 20%-ában köztudottan pontatlanok (a végbélrák leggyakrabban adenomatózus elváltozásként kezdődik, így a felületes biopsziákból kimaradhat a rosszindulatú fókusz). Ha egy rákot tévesen jóindulatú elváltozásként azonosítanak és helyi kimetszéssel kezelik, az jelentősen rontja a prognózist és veszélyezteti a későbbi rákműtétet – beleértve a rekonstruálható reszekciós hely (azaz elülső reszekcióra alkalmas lézió) rekonstruálhatatlanná történő átalakítását (pl. permanens kolosztómiával járó abdominoperinealis reszekció szükségessége) és a rákos sejtek mély peremre vagy más síkra történő oltásával, különösen az elülső elváltozások esetében. Ezenkívül a transzanális kimetszési technikák továbbra is viszonylag magas pozitív árrésszel rendelkeznek; ez kockáztatja a jóindulatú elváltozások újraszaporodását, és korlátozza a hatékony helyi terápiát a legkorábbi stádiumú rákos megbetegedések esetében, mivel a daganatok fő tömegéhez közeli, nem látható betegség jelenléte van.

Korábban fluoreszcens indocianine green (ICG) használatával kimutattuk, hogy a perfúzió láthatóan eltérő a tumor és az egészséges szövet között. Ez a különbség infravörös videó segítségével rögzíthető, és matematikai elemzéssel meg lehet különböztetni a rosszindulatú területek perfúziós mintázatát bármely jóindulatú/normális szövettől, amely ugyanabban az endoszkópos nézetben is látható. Röviden, a fluoreszcencia telítettsége minden egyes érdeklődésre számot tartó régióban (vagyis a daganatban vagy a normál nyálkahártya területén) mérhető a rögzített videóból az IBM által fejlesztett meglévő szoftver segítségével. A fluoreszcencia időbeli változása egy görbén ábrázolható, amely bemutatja az ICG beáramlását, csúcsát és kiáramlását, ami a perfúziós mintáktól függ a vizsgált régióban. Ezek a görbék a vizsgált szövettől függően eltérőek, így felhasználhatók a jóindulatú és a rosszindulatú daganatok osztályozására a felvétel meredekségének és a görbe alatti terület kiszámításával a kiáramlás mérésére. Ezért olyan helyen (például a végbélben), ahol rák gyanúja merül fel, a videó elemzése felhasználható az egészséges és a rákos szövetek megkülönböztetésére. Ez a felfedezés a mesterséges intelligencia módszereinek alkalmazásával, beleértve a számítógépes látást és a gépi tanulást, klinikai felhasználásra is kiaknázható. Lényegében a kérdéses szöveteket megjelenítő pixelek fluoreszcencia intenzitása a véráramlás (perfúzió) függvényében változik, amikor a vért ICG-vel festik, és közeli infravörös (NIR) fénnyel világítják meg. Az intenzitást az idő múlásával, több videókockából rögzíti, és ezt az intenzitást görbeként ábrázolja. A tumorszövet intenzitásgörbéje eltér az egészséges szövetétől, a jóindulatú daganatoké pedig a rosszindulatú daganatokétól. A görbe jellemzőinek elemzése az egyes pixeleknél az érdeklődésre számot tartó területen így osztályozáshoz vezethet.

Egy ilyen mesterséges intelligencia-rendszer prototípusát és képzését a Mater Hospitalban korábban két regionális központból származó ír rákos betegek populációjának videóival végezték, hogy automatikusan azonosítani tudja a rosszindulatú daganatokat és az egészséges szövetek jóindulatú elváltozásait perfúziós mintáik alapján. Ez a prototípus korábban 80%-nál nagyobb pontosságot mutatott.

Ebben a tanulmányban klinikailag validáljuk a szövetek fluoreszcenciajel jellemzői alapján történő osztályozásának alapkoncepcióját vagy módszerét, miközben azt is megvizsgáljuk, hogy ez alapján építhető-e olyan eszköz, amely extrapolálni tudja az UCD munkatársai által a videókból generált adatokat. Kitérünk az általánosíthatóság kérdésére is – használhatják-e más sebészek a rendszert, és hasonló eredményeket kaphatnak-e saját betegcsoportjukból? Ez megnyitja az utat a jövőbeni tanulmányok számára, amelyek a biopszia szerepének meghatározására irányulnak (lehetővé teszi-e a rendszer a biopsziás szövet optimális kiválasztását, és ezáltal csökkentheti a biopsziás hibákat?); és tumorresectio (növelheti-e a rendszer a daganateltávolítás teljességét és pontosságát?).