Studie naar classificatiemethode van indocyaninegroene lymfografie op basis van diep leren (BCRL；ICG)

Borstkankergerelateerd lymfoedeem (BCRL) is de meest voorkomende complicatie na borstkankerchirurgie, wat een zware psychologische en spirituele belasting voor patiënten met zich meebrengt. De diagnostiek en behandeling van lymfoedeem is lange tijd een heikel punt geweest in binnen- en buitenlands onderzoek. Voor een groot deel komt dit doordat de meeste patiënten die naar een arts komen al duidelijk lymfoedeem hebben ontwikkeld en de interne lymfevaten een pathologische remodellering hebben ondergaan[1]. Daarom is het bijzonder belangrijk om vroeg lymfoedeem op te sporen en tijdig in te grijpen door het gebruik van gevoelige screeningtools. Indocyanine groen (ICG) lymfangiografie is een relatief nieuwe methode, die oppervlakkige lymfestroom in realtime en snel kan weergeven en niet wordt beïnvloed door radioactiviteit [7]. In 2007 werd indocyanine-groene lymfografie voor het eerst gebruikt om de functie van oppervlakkige lymfevaten te evalueren. In 2011 ontdekten Japanse wetenschappers tekenen van huidreflux op basis van ICG-lymfografische gegevens van 20 patiënten met lymfoedeem na borstkankerchirurgie, en ze werden grofweg verdeeld in drie typen op basis van hun ernst: spatten, sterrenhoop en diffuus (Figuur 1) [8 ]. Later, in 2016, bevestigde een prospectieve studie onder 196 mensen de waarde van ICG-lymfografie bij de vroege diagnose van lymfoedeem, en maakte de beelden van ICG-lymfografie meer specifieke stadia 0-5 [9], maar de stadiëring is nog steeds gebaseerd op de drie soorten huidrefluxsymptomen gevonden in een kleine klinische studie in 2011, die niet volledig van toepassing is in daadwerkelijke klinische toepassingen. Bovendien, wanneer abnormale huidrefluxsymptomen verschijnen op ICG-lymfangiografie, ontbreekt het aan onderzoek en onderzoek naar de pathofysiologische veranderingen die in het lichaam optreden. Daarom hoopt dit onderzoek de beeldkenmerken van ICG-lymfografie te verfijnen door middel van machinaal leren (deep learning) en een PKUPH-model vast te stellen voor de diagnose van vroeg lymfoedeem door de beeldkenmerken te ensceneren.