Studio sul metodo di classificazione della linfografia verde indocianina basato sull'apprendimento profondo (BCRL；ICG)

Il linfedema correlato al cancro al seno (BCRL) è la complicanza più comune dopo la chirurgia del cancro al seno, che comporta un pesante fardello psicologico e spirituale per i pazienti. Per molto tempo, la diagnosi e il trattamento del linfedema sono stati un punto difficile nella ricerca nazionale ed estera. In gran parte, è perché la maggior parte dei pazienti che si rivolgono a un medico ha già sviluppato un linfedema evidente e i vasi linfatici interni hanno subito un rimodellamento patologico[1] Pertanto, è particolarmente importante rilevare il linfedema precoce e intervenire per tempo attraverso l'uso di strumenti di screening sensibili. La linfangiografia con verde indocianina (ICG) è un metodo relativamente nuovo, che può visualizzare il flusso linfatico superficiale in tempo reale e rapidamente e non sarà influenzato dalla radioattività [7]. Nel 2007 è stata utilizzata per la prima volta la linfografia al verde indocianina per valutare la funzione dei vasi linfatici superficiali. Nel 2011, studiosi giapponesi hanno trovato segni di reflusso cutaneo sulla base dei dati della linfografia ICG di 20 pazienti con linfedema dopo un intervento chirurgico per cancro al seno, e sono stati approssimativamente divisi in tre tipi in base alla loro gravità: schizzi, ammasso stellare e diffuso (Figura 1) [8 ]. Successivamente, nel 2016, uno studio prospettico che ha coinvolto 196 persone ha affermato il valore della linfografia ICG nella diagnosi precoce del linfedema e ha reso le immagini della linfografia ICG più specifiche degli stadi 0-5 [9], ma la stadiazione si basa ancora sui tre tipi di sintomi da reflusso cutaneo trovati in un piccolo studio clinico campione nel 2011, che non è completamente applicabile nelle applicazioni cliniche reali. Inoltre, quando i sintomi di reflusso cutaneo anormale compaiono sulla linfangiografia ICG, i cambiamenti fisiopatologici che si verificano nel corpo mancano di ricerca ed esplorazione. Pertanto, questa ricerca spera di perfezionare le caratteristiche dell'immagine della linfografia ICG attraverso l'apprendimento automatico (deep learning) e stabilire un modello PKUPH per la diagnosi del linfedema precoce mettendo in scena le caratteristiche dell'immagine.