Analisi Video Intraoperatoria a Doppio Tracce Basata su Apprendimento Profondo per la Mappatura del Linfonodo Sentinella nella Previsione di Metastasi nel Carcinoma Papillare della Tiroide cN0

CONTESTO E RAZIONALE:

Il carcinoma papillare della tiroide (PTC) è uno dei tumori in più rapida crescita a livello mondiale. Una sfida principale nel trattamento del PTC è che il 30-80% dei pazienti che sembrano non avere coinvolgimento linfonodale prima dell'intervento (clinicamente negativi ai linfonodi, o cN0) presenta effettivamente una diffusione occulta del tumore ai linfonodi. I metodi di imaging attuali, come l'ecografia, spesso non rilevano queste piccole aree di diffusione tumorale.

Ciò crea una decisione difficile per i chirurghi: rimuovere troppi linfonodi aumenta il rischio di complicazioni come danni alle ghiandole paratiroidi (che controllano i livelli di calcio) e ai nervi che controllano la voce. Tuttavia, rimuovere troppo pochi linfonodi può lasciare tessuto tumorale residuo, che può portare a recidiva.

La mappatura del linfonodo sentinella (SLN) è una tecnica che identifica i primi linfonodi drenanti da un tumore. L'idea è che se il tumore si diffonde attraverso il sistema linfatico, raggiungerà per primi questi linfonodi sentinella. Tuttavia, gli attuali metodi a tracciante singolo per la mappatura SLN nel tumore della tiroide hanno limitazioni e risultati variabili.

Questo studio utilizza un approccio a doppio tracciante che combina due coloranti diversi:

1. Nanoparticelle di carbonio (CN): Forniscono una colorazione nera duratura che aiuta i chirurghi a vedere chiaramente i linfonodi
2. Verde di indocianina (ICG): Questo colorante si illumina sotto luce nel vicino infrarosso, consentendo la visualizzazione in tempo reale del flusso linfatico

Combinando questi due traccianti, i chirurghi possono vedere sia la struttura dei linfonodi sia come il fluido linfatico li attraversa nel tempo.

DISEGNO DELLO STUDIO:

Questo è uno studio di coorte prospettico, osservazionale, monocentrico. Lo studio non modifica il trattamento chirurgico che i partecipanti ricevono. Tutti i partecipanti si sottopongono alla chirurgia standard per tumore della tiroide con rimozione dei linfonodi come determinato dalla loro équipe chirurgica.

PROCEDURE DELLO STUDIO:

1. Valutazione Pre-operatoria:

   Tutti i partecipanti si sottopongono alla valutazione pre-operatoria standard, inclusa:

   • Visita medica
   • Ecografia tiroidea con valutazione dettagliata dei linfonodi
   • Biopsia con ago sottile per confermare la diagnosi di PTC
   • Test genetici per mutazioni comuni (come BRAF)
   • Esami del sangue standard

2. Procedura Chirurgica:

   Durante l'intervento, i partecipanti ricevono l'iniezione del doppio tracciante sotto guida ecografica. L'iniezione viene effettuata in più punti attorno al tumore tiroideo. La preparazione specifica è:

   • 0,1 ml di soluzione di ICG (concentrazione: 2,5 mg/ml)
   • 0,1 ml di sospensione di nanoparticelle di carbonio (concentrazione: 50 mg/ml) Questi sono miscelati insieme e iniettati utilizzando una tecnica precisa a più punti.

3. Registrazione Video:

   Un sistema di imaging a fluorescenza nel vicino infrarosso registra l'intero processo di visualizzazione dei linfonodi. La registrazione cattura:

   • Come i coloranti si diffondono attraverso i canali linfatici
   • Quando ciascun linfonodo diventa visibile per la prima volta
   • Come il segnale di fluorescenza cambia nel tempo
   • Il pattern di drenaggio linfatico

   I video sono registrati ad alta risoluzione (1920 × 1080 pixel) a circa 30 fotogrammi al secondo. Un segmento standardizzato di 3 minuti viene estratto da ciascun video per l'analisi, fornendo 150 fotogrammi per paziente.

4. Decisioni Chirurgiche:

   Il linfonodo sentinella (il primo nodo che si illumina) viene rimosso e inviato per analisi immediata al congelatore. Sulla base di criteri standard, i chirurghi decidono se eseguire:

   • Linfadenectomia centrale ipsilaterale (rimozione dei linfonodi sullo stesso lato del tumore)
   • Linfadenectomia laterale (se vengono soddisfatti determinati criteri)
   • Linfadenectomia centrale controlaterale (rimozione dei linfonodi sul lato opposto)

   Queste decisioni seguono il protocollo chirurgico standard della nostra istituzione e non sono influenzate dalle previsioni del deep learning.

5. Esame Patologico:

   Tutti i linfonodi rimossi sono esaminati dai patologi per determinare:

   • Se il linfonodo sentinella contiene tumore (stato SLNM)
   • Se i linfonodi del secondo livello contengono tumore (SeLNM)
   • Se i linfonodi non sentinella contengono tumore (NsLNM)
   • Il numero e la posizione di tutti i linfonodi positivi

RACCOLTA E ANALISI DEI DATI:

Dati Clinici (32 variabili):

• Demografia: età, sesso, indice di massa corporea
• Caratteristiche ecografiche: dimensioni del tumore, localizzazione, margini, pattern di calcificazione, rapporto di aspetto, classificazione TI-RADS
• Caratteristiche patologiche: multifocalità, estensione extratiroidea, invasione capsulare
• Dati genetici: stato di mutazione BRAF e altre mutazioni rilevanti

Analisi Video:

Due chirurghi esperti (ciascuno con più di 10 anni di esperienza) identificano e delineano manualmente le regioni di interesse (i linfonodi sentinella) in ciascun fotogramma video. Ciò crea 19.650 immagini mascherate tra tutti i partecipanti.

Estrazione delle Caratteristiche:

Il sistema di deep learning estrae più tipi di caratteristiche:

Caratteristiche Spaziali (2048 dimensioni):

• Caratteristiche dell'immagine da una rete neurale pre-addestrata (EfficientNet-B5)
• Caratteristiche in scala di grigi
• Caratteristiche di forma e morfologiche
• Descrittori dei momenti di Hu (descrizioni matematiche della forma)

Caratteristiche Temporali (20 dimensioni):

• Differenze tra fotogrammi che mostrano come cambia l'immagine
• Misure di flusso ottico che mostrano pattern di movimento
• Cambiamenti dell'intensità di fluorescenza nel tempo
• Misure della velocità del flusso in punti temporali specifici

MODELLI DI DEEP LEARNING:

Nove diverse architetture di deep learning sono sviluppate e confrontate:

1. Rete Neurale Convoluzionale (CNN): Estrae caratteristiche spaziali locali dalle immagini
2. Memoria a Breve-Lungo Termine (LSTM): Cattura pattern nei dati di serie temporali
3. CNN + LSTM: Combina estrazione di caratteristiche spaziali e temporali
4. CNN + LSTM + Attenzione: Aggiunge un meccanismo di attenzione per focalizzarsi su punti temporali importanti
5. Trasformatore: Utilizza l'auto-attenzione per catturare pattern globali nei dati sequenziali
6. Crossformer: Un'architettura specializzata per l'analisi di serie temporali
7. CNN 3D: Elabora i dati video come volumi tridimensionali
8. LSTM + Trasformatore: Modello ibrido che combina i punti di forza di LSTM e Trasformatore
9. LSTM + Crossformer: Modello ibrido che combina i punti di forza di LSTM e Crossformer

Tutti i modelli utilizzano:

• Funzione di perdita entropia incrociata binaria
• Ottimizzatore Adam per l'addestramento
• Aumento dei dati (rotazione, scalatura, iniezione di rumore) per prevenire l'overfitting
• Funzioni di perdita ponderate per gestire lo squilibrio delle classi
• Regolarizzazione Dropout

VALUTAZIONE DEL MODELLO:

I modelli sono valutati utilizzando una convalida incrociata stratificata a 10 fold, garantendo una distribuzione bilanciata degli esiti nei set di addestramento e test. Le metriche di performance includono:

• Area Sotto la Curva ROC (AUC): Misura la capacità complessiva di discriminazione
• Accuratezza: Percentuale di previsioni corrette
• Sensibilità: Capacità di identificare correttamente i pazienti con metastasi
• Specificità: Capacità di identificare correttamente i pazienti senza metastasi
• Valore Predittivo Positivo: Probabilità che una previsione positiva sia corretta
• Valore Predittivo Negativo: Probabilità che una previsione negativa sia corretta
• Punteggio F1: Bilanciamento tra precisione e richiamo
• Punteggio di Brier: Calibrazione delle probabilità previste

Analisi aggiuntive includono:

• Analisi della curva decisionale per valutare l'utilità clinica
• Curve di calibrazione per verificare l'affidabilità delle previsioni
• Curve di apprendimento per valutare l'overfitting
• Test di DeLong per il confronto statistico tra modelli
• Approccio di classificazione dei modelli basato sulla probabilità (PMRA)

INTERPRETABILITÀ DEL MODELLO:

Per comprendere come il modello effettua le previsioni, utilizziamo l'analisi SHapley Additive exPlanations (SHAP). Questa tecnica:

• Identifica quali caratteristiche contribuiscono maggiormente alle previsioni
• Mostra come ciascuna caratteristica influenza le singole previsioni
• Rivela se il modello si basa su fattori clinicamente significativi
• Fornisce trasparenza nella "scatola nera" del deep learning

ESITI:

Esiti Primari:

1. Metastasi linfonodale di secondo livello (SeLNM): Diffusione del tumore ai linfonodi oltre il linfonodo sentinella nel percorso di drenaggio
2. Metastasi linfonodale non sentinella (NsLNM): Diffusione del tumore a qualsiasi linfonodo diverso dal linfonodo sentinella

Entrambi gli esiti sono determinati dall'esame patologico finale del tessuto rimosso chirurgicamente (gold standard).

Esiti Secondari:

• Metriche di performance del modello (AUC, sensibilità, specificità, ecc.)
• Classifiche di importanza delle caratteristiche dall'analisi SHAP
• Confronto delle architetture dei modelli

CONSIDERAZIONI STATISTICHE:

Dimensione Campionaria:

Basato su calcoli di potenza assumendo:

• Alpha = 0,05 (livello di significatività)
• Potenza = 0,80
• Differenza di sensibilità attesa del 20% tra i metodi
• Prevalenza attesa di metastasi linfonodali del 50%

È stato calcolato un minimo di 335 partecipanti. A causa dei criteri di inclusione rigorosi e dei requisiti di qualità video, 131 partecipanti con dati completi e di alta qualità sono stati inclusi nell'analisi finale.

Metodi Statistici:

• Statistiche descrittive per le caratteristiche basali
• Test del chi-quadrato o test esatto di Fisher per variabili categoriche
• Test U di Mann-Whitney per variabili continue
• Test di DeLong per confrontare i valori AUC tra modelli
• Intervalli di confidenza al 95% per tutte le metriche di performance

FOLLOW-UP:

Sebbene l'analisi primaria si concentri sulla previsione intraoperatoria, i partecipanti sono seguiti secondo i protocolli standard di cura clinica. Gli esiti a lungo termine, inclusa la sopravvivenza libera da recidiva, possono essere analizzati in studi futuri.

CONSIDERAZIONI ETICHE:

Questo studio è stato approvato dal Comitato Etico del Primo Ospedale Affiliato dell'Università Medica di Chongqing (Approvazione N. 2023-322). Tutti i partecipanti hanno fornito consenso informato scritto prima dell'arruolamento.

Lo studio presenta un rischio aggiuntivo minimo per i partecipanti perché:

• L'iniezione del doppio tracciante utilizza agenti già approvati per l'uso clinico
• La registrazione video è non invasiva e non influisce sulle decisioni chirurgiche
• Tutte le decisioni chirurgiche sono prese secondo protocolli standard
• L'analisi di deep learning viene eseguita retrospettivamente e non influenza il trattamento

IMPATTO POTENZIALE:

Se avrà successo, questo approccio potrebbe:

1. Aiutare i chirurghi a prendere decisioni più informate sull'estensione della rimozione dei linfonodi
2. Ridurre la chirurgia estensiva non necessaria in pazienti a basso rischio
3. Garantire una chirurgia adeguata in pazienti ad alto rischio che altrimenti potrebbero essere sottotrattati
4. Fornire supporto decisionale in tempo reale e oggettivo durante l'intervento
5. Standardizzare l'interpretazione della mappatura linfatica tra diversi chirurghi e centri
6. Servire come strumento di formazione per chirurghi meno esperti

LIMITAZIONI:

• Studio monocentrico, che può limitare la generalizzabilità
• Dimensione campionaria relativamente piccola a causa di requisiti di qualità rigorosi
• L'annotazione manuale delle regioni di interesse può introdurre variabilità
• I modelli di deep learning richiedono convalida in coorti esterne
• L'implementazione in tempo reale durante l'intervento richiede ulteriore sviluppo

DIRETTIVE FUTURE:

• Convalida esterna in più centri
• Sviluppo di software di previsione in tempo reale per l'uso intraoperatorio
• Integrazione con altre modalità di imaging
• Studi di intervento prospettici per valutare il beneficio clinico della chirurgia guidata dall'IA