딥 러닝을 통한 수술 안전성 및 수술 중 전이 식별 구현: 자궁 악성종양의 최소 침습 감시 림프절 절제를 위한 다중 중심 비디오 수집 (LYSE)

수술은 모든 병원 합병증의 약 2/3를 차지합니다. 이러한 합병증의 약 75%는 수술 중에 발생하며, 그 중 절반은 예방 가능한 것으로 간주됩니다. 전통적으로 수술 안전성에 관한 연구는 주로 수술 전후 정보와 수술 시술자의 서면 보고서에 의존해 왔습니다. 요즘에는 최소 침습 수술 중 외과 의사를 안내하는 비디오를 쉽게 녹화하여 수술 중재에 대한 객관적인 문서를 제공할 수 있습니다. 수술 비디오를 연구하고 수술 중 사건을 정량화하는 것은 부작용의 원인에 대한 유망한 새로운 관점을 제공하며, 수술 위험을 줄이고 수술에 대한 국제 안전 권장 사항의 구현을 촉진하기 위한 솔루션을 개발할 수 있는 잠재력을 제공합니다.

또한, 최근 인공지능(AI)의 발전으로 영상 이해에 큰 성공을 거두면서 수술 영상의 자동 및 대규모 분석을 위한 알고리즘 개발 가능성이 높아지고 있습니다. 이러한 AI 알고리즘은 수술 영상을 실시간으로 분석하고 수술실에서 의사 결정 지원을 제공할 수도 있습니다.

림프절 상태의 평가는 자궁 악성종양(자궁내막암 및 자궁경부암)에서 매우 중요합니다. 명백히 초기 단계의 암에서 양성 림프절의 비율은 훨씬 낮습니다(자궁내막암 10%, 자궁경부암 15%). 실제로, 예후와 보조 치료 요법은 결절 침범의 존재 여부에 크게 영향을 받습니다. 병기 결정, 건너뛰기 전이의 진단, 보조 방사선 치료가 필요할 때 방사선 조사 범위를 정의하기 위해 체계적인 광범위한 림프절 절제술이 종종 수행됩니다. 그럼에도 불구하고, 골반 및/또는 대동맥 주위 림프절 절제술은 심각한 단기 및 장기 합병증을 초래할 수 있습니다.

수술적 이환율의 부담을 더욱 견디기 어렵게 만드는 것은 대부분의 경우 골반 악성 종양의 종류에 관계없이 림프절에 전이가 없다는 점입니다. 이는 대다수의 환자가 생존에 입증된 영향이 없는 불필요하고 위험하며 부담스러운 절차를 겪는다는 것을 의미합니다. 초기 자궁내막암 및 자궁경부암에서 이 문제를 해결하기 위해 감시 림프절(SLN)에 대한 평가가 중요한 역할을 했습니다. 종양 결절 확산의 경우 신생물 세포를 수집하면 결절 음성 환자가 체계적인 림프절 절제술과 관련된 수술 동반 질환을 피할 수 있습니다. 그러나 감시 림프절(SLN)만 제거하더라도 수술 합병증의 비율은 여전히 ​​높습니다. Capozzi 등은 수술 중 혈관, 신경 및 요관 손상과 잘못된 해부학적 해부 및 림프관 파열로 인한 수술 후 림프류 및 림프부종의 증거와 관련된 합병증 발생률이 11.2%라고 보고했습니다. 환자와 암의 특성 및 수술 단계의 가변성에 따라 감시 림프절(SLN) 매핑 실패의 25%가 보고됩니다. 2021년 Moloney 등과 2023년 Bizzarri 등은 다심 전향적 시험에서 임상 결과를 개선하고 수술 합병증과 편견을 줄이기 위해 자궁내막암과 자궁경부암의 감시 림프절(SLN) 수술 단계에 대한 델파이 합의를 발표했습니다. 현재까지 성공적인 양측 매핑을 위해서는 40개 절차의 학습 곡선이 필요한 것으로 입증되었습니다. 또한, 어떤 경우에는 환자 안전을 위한 과잉 치료로 이어질 수 있는 빈 패킷을 사용하여 14%의 경우(비만 자궁내막암 환자에서 더 높은 비율)에서 결절 조직을 채취하는 데 부주의한 실패가 보고되었습니다. 센티넬 림프절 동결절편 분석은 시간 소모적 단점과 미세전이 검출에 대한 정확한 결과(검출 정확도 65%)가 부족하여 기술 잠재력의 일부를 상실하기 때문에 일상적으로 수행되지 않습니다.

복강경 담낭 절제술에서는 담관 손상 위험을 줄이기 위해 CVS(중요한 안전 관점)가 설명되었습니다. 우리는 표준화된 수술 단계를 따라 수술 중 부상을 예방하고 매핑 속도를 향상시킬 수 있는 다양한 시나리오에서 주요 해부학적 랜드마크와 구조를 식별하여 복강경 감시 림프절 절개에 "안전 문화" 개념을 적용하는 것을 목표로 합니다.

따라서 권장되는 수술 단계의 달성률과 같은 수술 중 사건을 정량화하고 연구하면 지침 권장 사항을 가장 잘 구현하는 방법을 조사하고 수술 위험을 줄이기 위한 새로운 솔루션을 찾을 수 있습니다. 또한 이러한 비디오는 인공 지능(AI) 알고리즘을 훈련하고 검증하는 데 활용될 수 있으며, 수술실의 외과 의사가 훈련을 통해 학습 곡선을 더 빠르게 달성하고 절차상의 안전성을 향상시키는 데 도움을 줄 수 있습니다. 실제로 짧은 비디오를 통해 안전에 대한 비판적 관점(CVS)을 자동으로 평가하고 문서화할 수 있는 최신 AI 알고리즘을 활용하여 지침 구현을 지원하고 복강경 감시 림프절(SLN) 해부를 더욱 안전하게 만들 수 있습니다.

의뢰 센터에서 수행된 복강경 감시 감시 림프절(SLN) 해부에 대한 비디오를 분석하면 절차에 대한 단계적 접근 방식의 구현을 평가하고 기타 지침 권장 사항과 함께 안전에 대한 비판적 관점(CVS) 개발을 평가하고 안전한 복강경 감시 감시 림프절(SLN)을 위한 새로운 솔루션을 개발하는 데 도움이 될 수 있습니다. 해부. 식별 단계와 "안전에 대한 비판적 관점"이 연구에 자세히 설명되어 있습니다. 우리 프로젝트는 절차의 다음 단계로 진행하기 전에 안전에 대한 이러한 관점을 달성하는 것이 중요하다는 점을 강조합니다. 다음 단계는 형광 신호의 강도를 분석하고 이를 감시 림프절의 조직학적 진단과 연관시켜 강도와 전이성 사이의 상관 가능성을 평가하는 것입니다.

또한 안전한 복강경 감시 림프절(SLN) 해부를 위한 AI 알고리즘을 여러 병원 센터에서 수집한 비디오에서 테스트하여 임상 번역 전에 이러한 알고리즘의 일반화 가능성을 적절하게 연구할 수 있습니다.

임상 연구의 목적과 목적:

이 연구의 목적은 합병증, 수술 학습 곡선을 줄이고 ICG 강도와 림프절 전이성 특성의 상관 관계를 줄이기 위해 수술 비디오의 다기관 코호트에서 안전한 복강경 감시 림프절 절개에 대한 안전 비판적 관점(CVS) 비율을 확립하는 것입니다.