CLASSICA: convalida dell'IA nella classificazione del cancro nello studio di chirurgia in tempo reale 1

I polipi rettali di dimensioni >2 cm (che colpiscono circa 10.000 pazienti all'anno nella sola Europa) rappresentano una notevole sfida clinica. Mentre i polipi più piccoli possono essere affrontati dalla polipectomia endoscopica di routine e il cancro clinico franco avanzerà attraverso un paradigma tradizionale di chirurgia del cancro, i polipi di queste dimensioni hanno la possibilità di essere asportati localmente, intatti dalla resezione endoscopica transanale (nota anche come chirurgia mininvasiva transanale, TAMI). Questo è il trattamento di scelta in questo sito grazie alla sua capacità di fornire un singolo campione completo non frammentato rispetto ad altre modalità (ad es. resezione endoscopica della sottomucosa). Mentre la tecnologia e la formazione per consentire la resezione transanale sono diventate molto più disponibili negli ultimi dieci anni (in particolare TAMIS), il che significa che più pazienti possono avere grandi lesioni benigne e persino alcuni tumori del retto precoci asportati nei loro centri specialistici locali, il freno principale ora su tale cura è la selezione del paziente: cioè come dire se un dato paziente ha un polipo benigno o un cancro prima della sua resezione.

Le biopsie endoscopiche sono notoriamente imprecise fino al 20% di tali lesioni (i tumori del retto iniziano più spesso come lesioni adenomatose e quindi le biopsie superficiali possono perdere un focus maligno). Identificare erroneamente un tumore come una lesione benigna e trattarlo mediante escissione locale peggiora significativamente la prognosi e compromette la successiva chirurgia del cancro, inclusa la potenziale conversione di un sito di resezione ricostruibile (cioè una lesione adatta alla resezione anteriore) in uno non ricostruibile (cioè che necessitano di una resezione addominoperineale con colostomia permanente) e seminando cellule cancerose in un margine profondo o in un piano diverso, in particolare come nel caso delle lesioni posizionate anteriormente. Inoltre, le tecniche di escissione transanale continuano ad avere tassi relativamente elevati di margini positivi; questo rischia la ricrescita nelle lesioni benigne e limita l'efficacia della terapia locale per i tumori allo stadio iniziale a causa della presenza di malattia inapparente vicino alla massa tumorale principale.

Abbiamo precedentemente dimostrato, attraverso l'uso di verde indocianina fluorescente (ICG), che la perfusione è visibilmente diversa, tra tumore e tessuto sano. Questa differenza può essere catturata tramite video a infrarossi e l'analisi matematica può differenziare il pattern di perfusione delle aree maligne da qualsiasi tessuto benigno/normale visibile anche nella stessa vista endoscopica. In breve, la saturazione della fluorescenza in ciascuna regione di interesse (cioè tumore o area di mucosa normale), può essere misurata dal video registrato utilizzando il software esistente sviluppato da IBM. Il cambiamento di fluorescenza nel tempo può essere tracciato su una curva, dimostrando l'afflusso, il picco e il deflusso dell'ICG, che dipende dai modelli di perfusione all'interno della regione di interesse. Queste curve differiscono a seconda del tessuto in esame e quindi possono essere utilizzate per classificare i tumori benigni da quelli maligni calcolando la pendenza dell'assorbimento e l'area sotto la curva per misurare il deflusso. Pertanto, in una posizione (come il retto) in cui si sospetta un cancro, l'analisi del video può essere utilizzata per distinguere tra tessuti sani e cancerosi. Questa scoperta può essere sfruttata per l'uso clinico mediante l'applicazione di metodi di intelligenza artificiale, tra cui la visione artificiale e l'apprendimento automatico. In sostanza, l'intensità della fluorescenza dei pixel che mostrano i tessuti di interesse varia con il flusso sanguigno (perfusione), quando il sangue viene colorato con ICG e illuminato dalla luce del vicino infrarosso (NIR). L'intensità viene catturata nel tempo, da più fotogrammi video, e questa intensità viene tracciata come una curva. Le curve di intensità del tessuto tumorale sono diverse da quelle del tessuto sano e quelle dei tumori benigni sono diverse dai tumori maligni. L'analisi delle caratteristiche della curva per ciascun pixel in una regione di interesse può quindi portare a una classificazione.

Tale sistema di intelligenza artificiale è stato prototipato e addestrato in precedenza al Mater Hospital con video di una popolazione di malati di cancro irlandesi provenienti da due centri regionali, in modo che possa identificare automaticamente tumori maligni e lesioni benigne da tessuto sano in base ai loro schemi di perfusione. Questo prototipo ha precedentemente dimostrato una precisione >80%.

In questo studio, convalidiamo clinicamente il concetto o il metodo di base per classificare il tessuto in base alle caratteristiche del segnale di fluorescenza, verificando anche se sulla base di questo può essere costruito un dispositivo in grado di estrapolare i dati generati dai video dal personale dell'UCD. Affrontiamo anche la questione della generalizzabilità: altri chirurghi possono utilizzare il sistema e ottenere risultati simili dalle loro specifiche coorti di pazienti? Ciò aprirà la strada a studi futuri che sono previsti per determinare i ruoli della biopsia (il sistema può consentire la scelta ottimale del tessuto sottoposto a biopsia e quindi ridurre l'errore della biopsia?); e resezione del tumore (il sistema può aumentare la completezza e l'accuratezza della resezione del tumore?).