Ultrasound intraoperatorio per la Chirurgia dei Tumori Cerebrali Potenziato dall'IA (BrainUS-AI)

La chirurgia dei tumori cerebrali presenta sfide significative a causa della complessa anatomia del cervello e della natura infiltrativa di queste lesioni, spesso situate vicino ad aree eloquenti. Uno dei determinanti chiave della sopravvivenza del paziente è l'estensione della resezione del tumore, a condizione che possa essere ottenuta senza compromettere la funzione neurologica 1. Per massimizzare la resezione in sicurezza, i neurochirurghi si affidano a una varietà di ausili intraoperatori, inclusi agenti fluorescenti, neuronavigazione, stimolazione elettrica diretta e tecniche avanzate di imaging intraoperatorio, in particolare la risonanza magnetica intraoperatoria (ioMRI) e l'ecografia intraoperatoria (ioUS) 2.

Sebbene l'ioMRI offra un'eccellente risoluzione e accuratezza, il suo alto costo, le esigenze logistiche e la complessità di integrazione ne limitano la disponibilità a un piccolo numero di centri specializzati 3. Al contrario, l'ioUS è una modalità versatile e a basso costo che si integra naturalmente nel flusso di lavoro chirurgico 4-6. Tuttavia, la sua più ampia adozione è stata limitata da diversi fattori: elevata dipendenza dall'operatore, una curva di apprendimento ripida e sfide interpretative legate ad artefatti, piani di imaging non standard, basso contrasto tra tumore e cervello normale e un campo visivo ristretto.

Negli ultimi decenni, la ricerca sulla segmentazione dei tumori cerebrali basata sull'IA ha fatto progressi sostanziali, ma la maggior parte del lavoro si è concentrata sulla risonanza magnetica 7. Nel contesto dell'ioUS, studi iniziali come quello di Ritschel et al. 8 hanno dimostrato che modelli di classificazione supervisionata (ad esempio, macchine a vettori di supporto) potevano distinguere il tumore dal tessuto sano nell'ecografia con mezzo di contrasto, ma questi approcci erano laboriosi e limitati a piccoli dataset. Ilunga-Mbuyamba et al. 9 hanno successivamente studiato la registrazione multimodale tra ioUS e risonanza magnetica per migliorare la segmentazione, ma la fattibilità clinica è stata limitata dalla necessità di una co-registrazione accurata. Più recentemente, approcci basati sul deep learning di Canalini et al. 10 e Carton et al. 11 sono stati applicati per segmentare cavità chirurgiche e volumi tumorali nelle immagini ioUS.

Metodi all'avanguardia come quelli riportati da Faanes et al. 12, che utilizzano architetture nnU-Net, hanno ottenuto coefficienti di similarità Dice promettenti di 0,6-0,9 su dataset pubblici come RESECT-SEG 13 e ReMIND 14. Tuttavia, questi modelli non erano progettati per inferenza in tempo reale e non hanno subito validazione in contesti chirurgici dal vivo. Altri approcci, come quello di Dorent et al. 15, si sono basati su immagini ecografiche sintetiche derivate da risonanza magnetica preoperatoria, sollevando preoccupazioni sulla generalizzabilità ai dati ioUS reali. Nel complesso, nonostante questi progressi, la traduzione clinica rimane limitata a causa delle sfide uniche dell'ioUS, inclusa una risoluzione spaziale inferiore, eterogeneità delle immagini e variabilità nei protocolli di acquisizione.

In altri ambiti medici, la segmentazione ecografica assistita dall'IA ha dimostrato la fattibilità in tempo reale. Ad esempio, Hu et al. 16 hanno implementato modelli basati su U-Net per la segmentazione delle lesioni mammarie a 16 fotogrammi al secondo (FPS) con punteggi Dice superiori a 0,75, mentre Wei et al. 17 hanno applicato il rilevamento basato su YOLO per identificare placche carotidee con una precisione del 98,5% a 39 FPS. Nonostante la loro efficienza e accuratezza, approcci simili devono ancora essere implementati e clinicamente validati per la chirurgia dei tumori cerebrali utilizzando l'ioUS.

Il nostro progetto mira a colmare questa lacuna conducendo una validazione multicentrica, prospettica e non randomizzata di un prototipo di modello di segmentazione basato sul deep learning, specificamente progettato per l'ecografia intraoperatoria dei tumori cerebrali in tempo reale. Il modello opera a velocità di fotogrammi chirurgiche, delineando automaticamente i confini del tumore direttamente sul flusso ecografico in diretta, con l'obiettivo di assistere il processo decisionale intraoperatorio, massimizzando l'estensione della resezione quando oncologicamente appropriato e preservando la funzione neurologica.

Questo studio si basa sul nostro lavoro precedente, che ha stabilito una solida base scientifica per la validazione proposta. Nella nostra recente pubblicazione, "Segmentazione del glioma basata sul deep learning di immagini ecografiche intraoperatorie 2D: uno studio multicentrico utilizzando il database ecografico intraoperatorio dei tumori cerebrali (BraTioUS)" 18, abbiamo addestrato e validato un modello di deep learning per la segmentazione dei tumori cerebrali utilizzando dati multicentrici da BraTioUS-DB, segnando una pietra miliare nella ricerca sull'ioUS. In un secondo studio, "Rilevamento in tempo reale dei tumori cerebrali nell'ecografia intraoperatoria: dall'addestramento del modello al dispiegamento in sala operatoria" 19, abbiamo sviluppato e valutato prospetticamente un modello di rilevamento computer vision in tempo reale in sala operatoria. Insieme, questi contributi forniscono un quadro robusto per far progredire la segmentazione basata sull'IA in tempo reale nell'ecografia intraoperatoria, direttamente allineata con gli obiettivi del presente studio.