AIで強化された脳腫瘍手術のための術中超音波 (BrainUS-AI)

脳腫瘍手術は、脳の複雑な解剖学的構造と、これらの病変がしばしば機能的な領域の近くに位置するという浸潤性の性質により、大きな課題を提示しています。 患者の生存率を決定する重要な要素の一つは、神経機能を損なうことなく達成できる場合の腫瘍切除の範囲です1。 安全な切除を最大化するために、神経外科医は、蛍光剤、ニューロナビゲーション、直接電気刺激、および高度な術中画像技術、特に術中磁気共鳴画像法（ioMRI）と術中超音波（ioUS）2を含む様々な術中補助手段に依存しています。

ioMRIは優れた解像度と精度を提供しますが、その高いコスト、ロジスティックの要求、および統合の複雑さにより、その利用可能性は少数の専門センターに限定されています3。 対照的に、ioUSは低コストで汎用性の高いモダリティであり、手術のワークフローに自然に統合されます4-6。 それにもかかわらず、その広範な採用は、いくつかの要因によって制限されています：高いオペレータ依存性、急峻な学習曲線、アーティファクト、非標準的な画像平面、腫瘍と正常脳との間の低いコントラスト、および制限された視野に関連する解釈の課題です。

過去数十年にわたり、脳腫瘍のAIベースのセグメンテーションに関する研究は大幅に進歩しましたが、ほとんどの研究はMRI7に焦点を当てています。ioUSの文脈では、Ritschelら8の初期の研究などが、教師あり分類モデル（例えば、サポートベクターマシン）が造影超音波で腫瘍と健康な組織を区別できることを示しましたが、これらのアプローチは労力を要し、小規模なデータセットに限定されていました。 Ilunga-Mbuyambaら9はその後、セグメンテーションを強化するためにioUSとMRIの間のマルチモーダル登録を調査しましたが、正確な共同登録の必要性により臨床的実現性は制約されました。 より最近では、Canaliniら10およびCartonら11による深層学習ベースのアプローチが、ioUS画像での手術腔と腫瘍体積のセグメンテーションに適用されています。

Faanesら12によって報告されたような最先端の方法は、nnU-Netアーキテクチャを使用して、RESECT-SEG13やReMIND14などの公開データセットで0.6〜0.9の有望なダイス類似係数を達成しました。 しかし、これらのモデルはリアルタイム推論用に設計されておらず、実際の手術環境での検証を受けていません。 Dorentら15のアプローチなどの他のアプローチは、術前MRIから派生した合成超音波画像に依存しており、実際のioUSデータへの一般化可能性に関する懸念を引き起こしています。 全体として、これらの進歩にもかかわらず、空間解像度の低さ、画像の不均一性、および取得プロトコルの変動性を含むioUS特有の課題により、臨床的応用は限られています。

他の医療分野では、AI支援超音波セグメンテーションはリアルタイムの実現可能性を示しています。 例えば、Huら16は、ダイススコアが0.75を超える16フレーム/秒（FPS）で乳房病変セグメンテーションのためのU-Netベースモデルを実装し、Weiら17は、39 FPSで98.5％の精度で頸動脈プラークを識別するためにYOLOベースの検出を適用しました。 その効率性と正確性にもかかわらず、同様のアプローチは、ioUSを使用した脳腫瘍手術のために実装され、臨床的に検証されていません。

私たちのプロジェクトは、リアルタイム術中脳腫瘍超音波のために特別に設計されたプロトタイプ深層学習ベースセグメンテーションモデルの多施設共同前向き非無作為化検証を実施することで、このギャップに対処することを目指しています。 このモデルは手術フレームレートで動作し、ライブ超音波フィード上で直接腫瘍境界を自動的に描出し、術中の意思決定を支援し、腫瘍学的に適切な場合に切除範囲を最大化し、神経機能を保存することを目的としています。

この研究は、提案された検証のための強固な科学的基盤を確立した私たちの以前の研究に基づいています。 私たちの最近の出版物「Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)」18では、BraTioUS-DBからの多施設共同データを使用して脳腫瘍セグメンテーションのための深層学習モデルを訓練および検証しました—これはioUS研究のマイルストーンを示しています。 第二の研究「Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room」19では、手術室でリアルタイムコンピュータビジョン検出モデルを開発し、前向きに評価しました。 これらの貢献は、本研究の目的に直接沿って、術中超音波でのリアルタイムAIベースセグメンテーションを推進するための堅牢なフレームワークを提供します。