HSI per l'identificazione del piano intersegmentale durante le resezioni polmonari sublobari (HYPER-Seg)

Il cancro del polmone è la principale causa di morte correlata al cancro in tutto il mondo. A causa della generalizzazione delle strategie di screening, in particolare per le popolazioni a rischio, un numero crescente di casi di cancro al polmone viene rilevato in una fase iniziale. A questo proposito, anche il cancro del polmone viene sempre più spesso diagnosticato in pazienti con funzionalità polmonare compromessa. Per preservare la funzione polmonare e ridurre l'incidenza delle complicanze, le segmentectomie polmonari sono attualmente valutate in questa coorte. Pertanto, l'ultima versione delle linee guida tedesche per la prevenzione, la diagnosi, il trattamento e il follow-up del carcinoma polmonare raccomanda la segmentectomia per i pazienti con funzionalità polmonare compromessa nello stadio tumorale I/II. Tuttavia, l'identificazione del piano intersegmentale, il passaggio chiave della segmentectomia, rimane una sfida. Il riconoscimento impreciso del piano intersegmentale può portare a disfunzione del tessuto polmonare rimanente, mancata corrispondenza della ventilazione o del flusso sanguigno o perdita d'aria a lungo termine dopo l'intervento chirurgico, che richiede anche un intervento chirurgico secondario non pianificato. Il verde indocianina (ICG) è uno degli ultimi metodi di identificazione valutati ed è considerato il gold standard. L'imaging iperspettrale (HSI) - una tecnica di imaging intraoperatorio di recente costituzione - consente una valutazione non invasiva della perfusione tissutale e la discriminazione del tessuto polmonare con diversa perfusione tissutale durante le segmentectomie.

Lo scopo di questo studio prospettico, monocentrico, di non inferiorità IDEAL Stage 2b è l'identificazione del piano intersegmentale e la navigazione durante le resezioni polmonari sublobari nel carcinoma polmonare mediante imaging iperspettrale, il confronto con l'identificazione del piano intersegmentale di fluorescenza ICG e la creazione di navigazione piana intersegmentale automatica utilizzando strategie di apprendimento automatico per la navigazione intraoperatoria.

Per risolvere questo problema, il piano intersegmentale sarà rilevato sia mediante fluorescenza HSI che ICG durante le segmentectomie polmonari e la corrispondenza dei due metodi di identificazione sarà confrontata tra loro. Utilizzando strategie di apprendimento automatico, verrà analizzata la rilevazione del tessuto polmonare perfuso e non perfuso e del piano intersegmentale. Infine, gli investigatori studieranno il tracciamento del movimento per il miglioramento delle future illustrazioni HSI durante l'intervento chirurgico.

L'ipotesi di questo studio è che l'HSI potrebbe migliorare la navigazione intraoperatoria durante le segmentectomie polmonari fornendo un'identificazione affidabile del piano intersegmentale come il gold standard della fluorescenza del verde indocianina. In questo caso, non sarebbe più necessaria un'applicazione endovenosa di colorante fluorescente per l'identificazione del piano intersegmentale.

In caso di resezione di segmenti complessi, è necessaria una grande quantità o un uso ripetuto di ICG a causa del suo breve tempo di circolazione polmonare. L'uso multiplo di ICG può provocare l'ingresso di ICG nel tessuto polmonare bersaglio attraverso la circolazione bronchiale e aumenta il rischio di reazioni avverse al farmaco di ICG. Al contrario, i vantaggi dell'HSI sarebbero una misurazione più rapida e ripetitiva durante l'intervento chirurgico. Ci sarà la possibilità di ridurre il tempo totale di misurazione durante la dissezione del piano intersegmentale (10 secondi contro 3 minuti/misurazione) e di conseguenza il carico del paziente. In questo contesto, diversi studi sulla misurazione della perfusione basata su HSI durante la chirurgia esofagea o colorettale hanno già mostrato un miglioramento dell'esito dei pazienti. Inoltre, l'HSI può essere utilizzato per interventi chirurgici su pazienti con ipertiroidismo o compromissione della funzionalità renale o epatica.

Per supportare questa ipotesi, in questo studio verrà utilizzato un disegno di prova prospettico di non inferiorità. Per garantire la qualità dell'acquisizione e della segnalazione dei dati, lo studio sarà condotto in conformità con le linee guida per la segnalazione di IDEAL. Durante le segmentectomie polmonari, il piano intersegmentale sarà identificato sia dalla fluorescenza HSI che ICG. Il margine intersegmentale HSI determinato sarà confrontato con la fluorescenza ICG della verità di base e sarà studiata la fattibilità e la riproducibilità della mappatura HSI e ICG.

I metodi di apprendimento automatico hanno notevolmente migliorato l'interpretazione dei modelli sottili nei dati delle immagini mediche. Le reti neurali convoluzionali (CNN) possono essere considerate lo stato dell'arte per la classificazione e la segmentazione delle immagini mediche. Gli investigatori estenderanno i metodi basati sulla CNN per la classificazione HSI e in particolare studieranno la differenziazione basata su patch tra tessuto perfuso e non perfuso utilizzando i dati ICG e HSI acquisiti nella stessa posizione. Un'ulteriore sfida è l'acquisizione relativamente lenta di HSI (10 secondi/misurazione), che la rende soggetta a artefatti da movimento, ad esempio a causa del movimento pulsatile. Per risolvere questo problema, gli investigatori studieranno il tracciamento del movimento, che è anche rilevante per la futura illustrazione del confine del segmento durante l'intervento chirurgico.

Gli approcci di apprendimento automatico e in particolare le CNN consentono di ottimizzare direttamente i classificatori sulla base di dati clinici effettivi e la dimensione spettrale può essere gestita in modo semplice. Inoltre, come metodo versatile per l'elaborazione delle immagini, le CNN possono essere utilizzate anche per la localizzazione e la compensazione del movimento durante l'imaging intraoperatorio, ad esempio, possono essere addestrate per rilevare le caratteristiche dell'immagine e il loro movimento nei flussi di immagini rosso/verde/blu. Ciò è interessante per l'acquisizione dei dati HSI proposta, che si basa su una sequenza di misurazioni sensibili al movimento dei tessuti.