ESAME INTRAOPERATORIO UTILIZZANDO L'HYPERSPETTRALE BASATO SUL MACHINE-APPRENDING PER LA DIAGNOSI E LA VALUTAZIONE DELL'Anatomia autonoma (iEXMachyna3)

Il riconoscimento intraoperatorio delle strutture bersaglio, che devono essere preservate o rimosse selettivamente, è di fondamentale importanza durante le procedure chirurgiche. Questo compito si basa principalmente sulle conoscenze anatomiche e sull'esperienza dell'operatore. Nell'ambito della chirurgia mininvasiva il feedback tattile è ridotto e la vista del chirurgo è l'unico indizio per discriminare i tessuti. L'errata percezione dell'anatomia, dovuta a condizioni patologiche specifiche del paziente e/o all'inesperienza del chirurgo, può portare ad un aumento del rischio di lesioni iatrogene di strutture anatomiche critiche e può avere conseguenze devastanti. L'imaging iperspettrale (HSI) rappresenta una tecnologia promettente che combina una fotocamera fotografica con uno spettrometro e che è in grado di eseguire una scansione ottica in tempo reale su una vasta area, in modo privo di contrasto, fornendo sia informazioni spaziali che spettrali, generate da l'interazione tessuto/luce. La tecnologia si basa sull'uso di misure di immagini spettroscopiche in riflettanza. La misura consiste nell'irraggiamento di luce bianca sull'area (normali lampade alogene, di intensità non dannosa) e nella registrazione delle intensità spettrali rimesse dall'area sotto forma di spettri di remissione. L'interazione ottica (diffusione, assorbimento) della luce incidente con le varie componenti (inclusa la profondità) del materiale target (ad es. tessuti biologici) altera la distribuzione spettrale della luce in modo che la luce trasmessa contenga informazioni sul materiale attuale o sulla composizione e fisiologia del tessuto (ad es. perfusione). HSI è un metodo già consolidato per classificare oggettivamente le informazioni sull'immagine in una serie di campi scientifici (ad es. telerilevamento), che è stato applicato per la prima volta nel campo della medicina umana circa 15 anni fa. A causa dei vantaggi intrinseci della raccolta di campioni non distruttivi, delle possibilità di interfacciamento con modalità ottiche comuni (microscopio, endoscopio) e risultati quantitativi indipendenti dall'esaminatore, nel frattempo sono stati sviluppati vari approcci per sfruttare il potenziale dell'imaging iperspettrale in medicina.

La sua utilità in campo biomedico è già stata ampiamente dimostrata. È stato precedentemente applicato in chirurgia digestiva per quantificare l'emoglobina ossigenata intestinale durante diverse procedure o in caso di ischemia mesenterica. Numerosi lavori precedenti si sono concentrati con successo sulla capacità dell'HSI di discriminare tra tessuto normale e tumorale, nel cancro alla prostata, nel cancro del colon-retto, nel cancro gastrico, nel glioblastoma e nei tumori della testa e del collo. In campo oncologico, i progressi nella classificazione delle caratteristiche iperspettrali sono stati notevoli e hanno portato all'utilizzo con successo di sofisticati algoritmi di deep learning. In chirurgia, l'utilità della telecamera HSI è stata studiata per visualizzare il campo operatorio in condizioni di sanguinamento difficile o per rilevare la presenza di tumore all'interno dei margini di resezione dopo l'escissione chirurgica.

Un gruppo giapponese ha utilizzato un sistema HSI come ulteriore strumento di visualizzazione per rilevare l'ischemia intestinale e anche per classificare l'anatomia intraaddominale. Hanno identificato una particolare lunghezza d'onda (756-830 nm) per la differenziazione tra intestino sano e meno perfuso. Hanno anche dimostrato che la milza, il colon, l'intestino tenue, la vescica urinaria e il peritoneo hanno caratteristiche spettrali differenti. Questa scoperta potrebbe consentire in futuro la navigazione basata su HSI del campo operativo. Il nostro gruppo ha recentemente utilizzato l'HSI come strumento intraoperatorio nel modello suino per quantificare la perfusione degli organi del tratto gastrointestinale rispetto a robusti marcatori biologici. I risultati hanno mostrato che questa tecnologia è in grado di quantificare l'afflusso di sangue intestinale con un alto grado di precisione.

Altri gruppi hanno precedentemente tentato di discriminare il dotto biliare dai vasi, l'esofago dal tessuto tracheale, la tiroide dalla ghiandola paratiroidea, il nervo e l'uretere dal tessuto circostante. Tuttavia, quei lavori precedenti diretti al riconoscimento delle strutture anatomiche chiave sono stati condotti utilizzando semplici algoritmi di discriminazione delle caratteristiche o metodi di selezione delle bande. La quantità di informazioni ottenute dopo ogni acquisizione varia in base alla risoluzione della telecamera, ma è piuttosto ampia, pertanto sono necessarie tecniche di machine learning e deep learning per la classificazione dei dati e l'estrazione delle caratteristiche. In una serie di esperimenti controllati nel modello suino, le firme iperspettrali sono state utilizzate con successo, accoppiate ad algoritmi di apprendimento automatico, per discriminare intraoperatoriamente strutture anatomiche fini come nervi o ureteri (dati non pubblicati).

Lo studio i-EX-MACHYNA3 mira a tradurre la tecnologia HSI in combinazione con diversi algoritmi di deep learning per differenziare tra diverse classi di tessuti umani (comprese strutture anatomiche chiave come BD, nervi e ureteri).