HSI voor intersegmentale vlakidentificatie tijdens sublobaire longresecties (HYPER-Seg)

Longkanker is wereldwijd de belangrijkste doodsoorzaak door kanker. Door de veralgemening van screeningsstrategieën, met name voor risicopopulaties, wordt een toenemend aantal gevallen van longkanker in een vroeg stadium opgespoord. In dit opzicht wordt longkanker ook steeds vaker gediagnosticeerd bij patiënten met een verminderde longfunctie. Voor het behoud van de longfunctie en het verminderen van de incidentie van complicaties, worden momenteel pulmonale segmentectomieën geëvalueerd in dit cohort. Zo beveelt de nieuwste versie van de Duitse richtlijn voor de preventie, diagnose, behandeling en follow-up van longkanker segmentectomie aan voor patiënten met een verminderde longfunctie in tumorstadium I/II. De identificatie van het intersegmentale vlak - de belangrijkste stap van segmentectomie - blijft echter een uitdaging. Onnauwkeurige herkenning van het intersegmentale vlak kan leiden tot disfunctie van het resterende longweefsel, niet-overeenkomende ventilatie of bloedstroom, of langdurige luchtlekkage na een operatie, waarvoor zelfs ongeplande secundaire chirurgie nodig is. Indocyaninegroen (ICG) is een van de laatst geëvalueerde identificatiemethoden en wordt beschouwd als de gouden standaard. Hyperspectrale beeldvorming (HSI) - een nieuw ontwikkelde intraoperatieve beeldvormingstechniek - maakt een niet-invasieve evaluatie van weefselperfusie mogelijk en de discriminatie van longweefsel met verschillende weefselperfusie tijdens segmentectomieën.

Het doel van deze prospectieve, single-center, non-inferioriteit IDEAL fase 2b-studie is de identificatie van het intersegmentale vlak en de navigatie tijdens sublobaire pulmonale resecties bij longkanker met behulp van hyperspectrale beeldvorming, de vergelijking met ICG-fluorescentie intersegmentale vlakidentificatie, en het vaststellen van automatische intersegmentale vliegtuignavigatie met behulp van machine learning-strategieën voor intraoperatieve navigatie.

Om dit aan te pakken, zal het intersegmentale vlak worden gedetecteerd door zowel HSI- als ICG-fluorescentie tijdens pulmonale segmentectomieën en zal de overeenstemming van de twee identificatiemethoden met elkaar worden vergeleken. Met behulp van machine learning-strategieën zal de detectie van geperfuseerd en niet-geperfuseerd longweefsel en intersegmentaal vlak worden geanalyseerd. Ten slotte zullen de onderzoekers bewegingsregistratie bestuderen voor de verbetering van toekomstige HSI-illustraties tijdens operaties.

De hypothese van deze studie is dat HSI de intraoperatieve navigatie tijdens pulmonale segmentectomieën zou kunnen verbeteren door een even betrouwbare intersegmentale vlakidentificatie te bieden als de gouden standaard van indocyanine groene fluorescentie. In dit geval zou een intraveneuze toepassing van fluorescerende kleurstof niet meer nodig zijn voor de identificatie van het intersegmentale vlak.

Bij complexe segmentresectie is vanwege de korte pulmonale circulatietijd een grote hoeveelheid of herhaald gebruik van ICG noodzakelijk. Meervoudig gebruik van ICG kan ertoe leiden dat ICG het beoogde longweefsel binnendringt via de bronchiale circulatie en verhoogt het risico op bijwerkingen van ICG. De voordelen van HSI zouden daarentegen een snellere en herhaalde meting tijdens de operatie zijn. Er is een mogelijkheid om de totale meettijd tijdens dissectie van het intersegmentale vlak te verminderen (10 seconden vs. 3 minuten / meting) en dientengevolge de belasting van de patiënt. In deze context toonden verschillende onderzoeken naar HSI-gebaseerde perfusiemeting tijdens slokdarm- of colorectale chirurgie al een verbeterd resultaat voor de patiënt. Bovendien kan HSI worden gebruikt voor operaties bij patiënten met hyperthyreoïdie of een verminderde nier- of leverfunctie.

Om deze hypothese te ondersteunen, zal in deze studie een prospectief non-inferioriteitsonderzoek worden gebruikt. Om de kwaliteit van de data-acquisitie en rapportage te waarborgen, wordt het onderzoek uitgevoerd volgens de rapportagerichtlijnen van IDEAL. Tijdens pulmonale segmentectomieën wordt het intersegmentale vlak geïdentificeerd door zowel HSI- als ICG-fluorescentie. De bepaalde HSI-intersegmentale marge zal worden vergeleken met de grondwaarheids-ICG-fluorescentie en de haalbaarheid en reproduceerbaarheid van HSI- en ICG-mapping zal worden bestudeerd.

Machine learning-methoden hebben de interpretatie van subtiele patronen in medische beeldgegevens aanzienlijk verbeterd. Convolutionele neurale netwerken (CNN's) kunnen worden beschouwd als state-of-the-art voor classificatie en segmentatie van medische beelden. De onderzoekers zullen op CNN gebaseerde methoden voor HSI-classificatie uitbreiden en in het bijzonder patch-gebaseerde differentiatie tussen geperfuseerd en niet-geperfuseerd weefsel bestuderen met behulp van ICG- en HSI-gegevens die op dezelfde positie zijn verkregen. Een andere uitdaging is de relatief langzame acquisitie van HSI (10 seconden/meting), waardoor deze gevoelig is voor bewegingsartefacten, bijvoorbeeld als gevolg van pulserende bewegingen. Om dit aan te pakken, zullen de onderzoekers bewegingsregistratie bestuderen, wat ook relevant is voor de toekomstige illustratie van de segmentgrens tijdens operaties.

Benaderingen van machinaal leren en met name CNN's maken het mogelijk om classificaties direct te optimaliseren op basis van daadwerkelijke klinische gegevens en de spectrale dimensie kan op een eenvoudige manier worden behandeld. Bovendien kunnen CNN's, als veelzijdige methode voor beeldverwerking, ook worden gebruikt voor lokalisatie en bewegingscompensatie tijdens intraoperatieve beeldvorming, ze kunnen bijvoorbeeld worden getraind om beeldkenmerken en hun beweging in rood/groen/blauwe beeldstromen te detecteren. Dit is interessant voor de voorgestelde HSI-data-acquisitie, die gebaseerd is op een reeks metingen die gevoelig zijn voor weefselbeweging.