Posztoperatív Tüdőfunkció-Értékelés Mélytanulási Tanulmány Alapján

A kis dózisú CT-szűrés fejlesztései azonnali stádiumú NSCLC diagnózisok növekedéséhez vezettek, a sebészi reszekció – általában lobectomia vagy szegmentectomia – továbbra is a fő gyógyító lehetőség. Hongkongban azonban a betegek gyakran együttes megbetegedésekkel, például krónikus légúti betegségekkel vagy szív- és érrendszeri problémákkal jelentkeznek, ami az egészséges tüdőszövet megőrzését elengedhetetlenné teszi a hosszú távú életminőség szempontjából. A hagyományos sebészi reszekciónak, mint a lobectomiának vagy szegmentectomiának, vannak bizonyos korlátai a funkcionális megőrzés terén. Ezzel szemben a robotvezérelt/navigációs bronchoscopos abláció az elmúlt években új, minimálisan invazív endoszkópos kezelési stratégia. Ezt a megközelítést kiválasztott központokban alkalmazzák, és potenciális előnyöket mutat, beleértve a gyorsabb posztoperatív felépülést, a csökkentett traumát és a javult tüdőfunkció megőrzését. A fejlett navigációs rendszerek kihasználásával a bronchoscopos abláció lehetővé teszi a tüdőcsomók pontos lokalizálását és ablációját, elkerülve az egészséges tüdőszövet kiterjedt reszekcióját, amely a hagyományos sebészetben szükséges. Ezek az előnyek ígéretesek a betegek hosszú távú életminőségének és túlélési arányának javítására.

Továbbá, a hagyományos tüdőfunkciós tesztek, mint az FEV₁ és a szén-monoxid diffúziós kapacitása, csak globális értékelést nyújtanak a légzőkapacitásról, ami nem feltétlenül rögzíti teljes mértékben a tüdőfunkció regionális változásait, amelyek szegmentectomia vagy lobectomia után következnek be. Hasonlóképpen, az alapvető CT-volumetria figyelmen kívül hagyja a finomabb anatómiai részleteket, mint a szegmentális légúti eloszlás, a mikrovascularis hálózatok és a helyi alveoláris compliance. Ezenkívül jelenleg kevés közvetlen összehasonlító tanulmány létezik a robotvezérelt/navigációs bronchoscopos abláció és a hagyományos sebészi reszekció között a posztoperatív tüdőfunkció és a hosszú távú eredmények tekintetében. A Kutatási Pályázatok Tanácsa támogatásával 2019 óta végzett munkánk igazolta ennek a technikának a kivitelezhetőségét és biztonságosságát, ami széles körű elismeréshez és számos publikációhoz vezetett. Azonban a legtöbb létező kutatás retrospektív vagy egyetlen központ adataiból származik, elsősorban a rövid távú biztonságra és a technikai kivitelezhetőségre összpontosít.

E korlátozások kezelésére egy integrált megközelítés javasolt, amely a 3D-CT képalkotást és gépi tanulást használja. A gépi tanulás egy olyan technológia, amely algoritmusokat használ az adatokból történő automatikus tanulásra és előrejelzések vagy döntések meghozatalára. A mélytanulás, a gépi tanulás egyik alága, többrétegű neurális hálózatokat alkalmaz a komplex, magas dimenziós adatok jellemzőinek hatékony kinyerésére és mintázatok felismerésére. A gépi tanulás, és különösen a mélytanulás, figyelemre méltó potenciált mutatott különböző orvosi képalkalmazásokban, beleértve a lézió detektálást, szövet szegmentálást és eredmény előrejelzést. A komplex mintázatok automatikus tanulása révén a magas dimenziós adatokban, a gépi tanulás és mélytanulás modellek értelmezhetik a finom radiológiai jellemzőket, amelyeket a hagyományos elemzések elkerülhetnek. Az NSCLC 3D-CT képalkotásának kontextusában, a mélytanulás architektúrák – mint a konvolúciós neurális hálózatok – részletes jellemzőket nyerhetnek ki a volumetrikus felvételekből, lehetővé téve a tumor méretének, alakjának és helyének robusztus kvantifikálását, valamint a tüdőparenchyma finomított értékelését. Ha integrálva vannak a tüdőfunkciós paraméterekkel és klinikai adatokkal, ezek az algoritmusok erőteljes eszközt nyújtanak prediktív modellek generálásához, a kockázatos betegek korábbi azonosításához és az egyéni kezelési tervezés irányításához. Továbbá, a gépi tanulás által vezérelt megközelítések alkalmazkodhatnak az idővel fejlődő adathalmazokhoz, folyamatosan finomítva és javítva a teljesítményüket. Ez a skálázhatóság és alkalmazkodóképesség különösen értékes a prospektív tanulmányokban, ahol nagy, multimodális adathalmazokat gyűjtenek a különböző kezelési stratégiák hosszú távú hatásának értékelésére. Következésképpen, a gépi tanulás és mélytanulás beépítése ebben a kutatásban nemcsak növeli az eredmény előrejelzés pontosságát, hanem hozzájárul egy szabványos keretrendszerhez a tüdőfunkció dinamikus, személyre szabott értékelésére, irányítva a tájékozottabb klinikai döntéshozatalt.

Ennek a tanulmánynak a fő célja annak meghatározása, hogy a szegmentectomia valóban jobb funkcionális megőrzést nyújt-e, mint a lobectomia, hogy a robotvezérelt/navigációs vezérelt bronchoscopos abláció valóban kiválóbb tüdőfunkció megőrzést ér-e el a hagyományos sebészi reszekcióhoz képest, és mely konkrét betegállapotok mellett nyújt minden megközelítés a legnagyobb hasznot. Egy prospektív, jól megtervezett vizsgálat végrehajtásával a kutatás kitölti egy kritikus hiányt a hosszú távú funkcionális eredményekkel kapcsolatos bizonyítékokban, világosabb kritériumokat nyújtva a legmegfelelőbb reszekció típusának kiválasztásához. Továbbá, egy szabványos, integrált értékelő eszköz bevezetése potenciálisan optimalizálhatja a sebészi döntéshozatalt és a posztoperatív ellátást, végső soron javítva a túlélést és az életminőséget a korai stádiumú NSCLC betegek számára Hongkongban, és potenciálisan tájékoztatva a legjobb gyakorlatokat más egészségügyi környezetekben.