Intraoperatief onderzoek met behulp van op machine learning gebaseerd HYperspectral voor diagnose en beoordeling van autonome anatomie (iEXMachyna3)

De intraoperatieve herkenning van doelstructuren, die moeten worden behouden of selectief moeten worden verwijderd, is van het grootste belang tijdens chirurgische ingrepen. Deze taak steunt vooral op de anatomische kennis en ervaring van de operator. In de setting van minimaal invasieve chirurgie is er een verminderde tactiele feedback en is het zicht van de chirurg de enige aanwijzing om de weefsels te onderscheiden. Een verkeerde perceptie van de anatomie, als gevolg van patiëntspecifieke pathologische aandoeningen en/of onervarenheid van de chirurg, kan leiden tot een verhoogd risico op iatrogeen letsel van kritieke anatomische structuren en kan verwoestende gevolgen hebben. Hyperspectrale beeldvorming (HSI) vertegenwoordigt een veelbelovende technologie die een fotocamera combineert met een spectrometer en die in staat is om een ​​real-time optische scan uit te voeren over een groot gebied, op een contrastvrije manier, waarbij zowel ruimtelijke als spectrale informatie wordt gegenereerd door de weefsel/licht-interactie. De technologie is gebaseerd op het gebruik van reflectiespectroscopische beeldvormingsmetingen. De meting bestaat uit het bestralen van wit licht op het gebied (normale halogeenlampen, in niet-schadelijke intensiteit) en het vastleggen van de uitgezonden spectrale intensiteiten van het gebied in de vorm van remissiespectra. De optische interactie (verstrooiing, absorptie) van het invallende licht met de verschillende componenten (inclusief de diepte) van het doelmateriaal (bijv. biologische weefsels) verandert de spectrale verdeling van licht zodat het uitgestraalde licht informatie bevat over het huidige materiaal of weefselsamenstelling en fysiologie (bijv. perfusie). HSI is een reeds gevestigde methode voor het objectief classificeren van beeldinformatie in een aantal wetenschappelijke gebieden (bijv. teledetectie), dat ongeveer 15 jaar geleden voor het eerst werd toegepast op het gebied van de menselijke geneeskunde. Vanwege de intrinsieke voordelen van niet-destructieve monsterverzameling, koppelingsmogelijkheden met gemeenschappelijke optische modaliteiten (microscoop, endoscoop) en kwantitatieve, onderzoekeronafhankelijke resultaten, zijn in de tussentijd verschillende benaderingen ontwikkeld om het potentieel van hyperspectrale beeldvorming in de geneeskunde te benutten.

Het nut ervan op biomedisch gebied is al uitgebreid bewezen. Het is eerder toegepast bij spijsverteringschirurgie om geoxygeneerd hemoglobine in de darm te kwantificeren tijdens verschillende procedures, of in het geval van mesenteriale ischemie. Een aantal eerdere werken was met succes gericht op het vermogen van HSI om onderscheid te maken tussen normaal en tumorweefsel, bij prostaatkanker, colorectale kanker, maagkanker, glioblastoom, hoofd- en nekkanker. Op oncologisch gebied zijn de vorderingen op het gebied van de classificatie van hyperspectrale kenmerken opmerkelijk en hebben ze geleid tot het succesvolle gebruik van geavanceerde deep learning-algoritmen. Bij operaties is het nut van de HSI-camera onderzocht om het operatieveld te visualiseren bij moeilijke bloedingen of om de aanwezigheid van tumoren binnen de resectiemarges na chirurgische excisie te detecteren.

Een Japanse groep gebruikte een HSI-systeem als extra visualisatietool om intestinale ischemie te detecteren en ook om de intra-abdominale anatomie te classificeren. Ze identificeerden een bepaalde golflengte (756-830 nm) voor het onderscheid tussen gezonde en minder doorbloede darm. Ze toonden ook aan dat de milt, dikke darm, dunne darm, urineblaas en peritoneum verschillende spectrale kenmerken hebben. Deze bevinding zou in de toekomst op HSI gebaseerde navigatie van het operatieveld mogelijk kunnen maken. Onze groep heeft onlangs HSI gebruikt als intraoperatief hulpmiddel in het varkensmodel om de perfusie van de organen van het maagdarmkanaal te kwantificeren tegen robuuste biologische markers. De resultaten toonden aan dat deze technologie in staat is om de darmbloedtoevoer met een hoge mate van precisie te kwantificeren.

Andere groepen probeerden eerder de galwegen te onderscheiden van de vaten, de slokdarm van het tracheale weefsel, de schildklier van de bijschildklier, de zenuw en de urineleider van het omliggende weefsel. Die eerdere werken gericht op het herkennen van belangrijke anatomische structuren werden echter uitgevoerd met behulp van eenvoudige algoritmen voor het onderscheiden van kenmerken of methoden voor bandselectie. De hoeveelheid informatie die na elke acquisitie wordt verkregen, varieert afhankelijk van de cameraresolutie, maar is vrij groot, daarom zijn machine- en deep learning-technieken voor gegevensclassificatie en kenmerkextractie vereist. In een reeks gecontroleerde experimenten in het varkensmodel zijn hyperspectrale handtekeningen met succes gebruikt, gekoppeld aan algoritmen voor machinaal leren, om fijne anatomische structuren zoals zenuwen of urineleiders intraoperatief te onderscheiden (niet-gepubliceerde gegevens).

Het i-EX-MACHYNA3-onderzoek is gericht op het vertalen van de HSI-technologie in combinatie met verschillende deep learning-algoritmen om onderscheid te maken tussen verschillende klassen van menselijke weefsels (inclusief belangrijke anatomische structuren zoals BD, zenuwen en urineleiders).