CLASSICA: AI valideren bij het classificeren van kanker in real-time chirurgieonderzoek 1

Rectale poliepen groter dan 2 cm (die alleen al in Europa ongeveer 10.000 patiënten per jaar treffen) vormen een aanzienlijke klinische uitdaging. Terwijl kleinere poliepen kunnen worden aangepakt door middel van routinematige endoscopische polypectomie en openhartige klinische kanker zich zal ontwikkelen via een traditioneel paradigma voor kankerchirurgie, hebben poliepen van deze omvang de mogelijkheid om lokaal te worden weggesneden, intact door transanale endoscopische resectie (ook wel transanale minimaal invasieve chirurgie genoemd, TAMIS). Dit is de voorkeursbehandeling op deze site vanwege het vermogen om een ​​enkel volledig ongefragmenteerd monster te leveren in vergelijking met andere modaliteiten (bijv. endoscopische submucosale resectie). Hoewel de technologie en training om transanale resectie mogelijk te maken de afgelopen tien jaar veel meer beschikbaar is geworden (vooral TAMIS), wat betekent dat meer patiënten grote goedaardige laesies kunnen hebben en zelfs sommige vroege rectumkankers kunnen worden weggesneden in hun lokale gespecialiseerde centra, is de belangrijkste rem op dergelijke zorg nu is patiëntenselectie: d.w.z. hoe te zien of een bepaalde patiënt een goedaardige poliep of kanker heeft voorafgaand aan zijn resectie.

Endoscopische biopsieën zijn notoir onnauwkeurig in tot 20% van dergelijke laesies (rectale kankers beginnen meestal als adenomateuze laesies en dus kunnen oppervlakkige biopsieën een kwaadaardige focus missen). Een kanker ten onrechte identificeren als een goedaardige laesie en deze behandelen door middel van lokale excisie verslechtert de prognose aanzienlijk en brengt daaropvolgende kankerchirurgie in gevaar - inclusief het mogelijk omzetten van een reconstrueerbare resectieplaats (d.w.z. een laesie die geschikt is voor anterieure resectie) in een niet-reconstrueerbare plaats (d.w.z. waarbij een abdominoperineale resectie met een permanent colostoma nodig is) en door kankercellen in een diepe marge of een ander vlak te plaatsen, vooral zoals in het geval van anterieur geplaatste laesies. Bovendien hebben transanale excisietechnieken nog steeds relatief veel positieve marges; dit riskeert hergroei van goedaardige laesies en beperkt effectieve lokale therapie voor kankers in de vroegste stadia vanwege de aanwezigheid van een onopvallende ziekte dicht bij de belangrijkste tumormassa.

We hebben eerder aangetoond, door het gebruik van fluorescerend indocyaninegroen (ICG), dat de perfusie zichtbaar verschilt tussen tumor en gezond weefsel. Dit verschil kan worden vastgelegd via infraroodvideo en wiskundige analyse kan het perfusiepatroon van kwaadaardige gebieden onderscheiden van elk goedaardig/normaal weefsel dat ook zichtbaar is in hetzelfde endoscopische beeld. In het kort, de verzadiging van fluorescentie in elk interessegebied (dwz tumor of gebied van normaal slijmvlies), kan worden gemeten aan de hand van de opgenomen video met behulp van bestaande software die is ontwikkeld door IBM. De verandering in fluorescentie in de loop van de tijd kan worden uitgezet op een curve, die de instroom, piek en uitstroom van ICG aantoont, die afhangt van de perfusiepatronen in het interessegebied. Deze curven verschillen afhankelijk van het weefsel dat wordt onderzocht en kunnen dus worden gebruikt om goedaardige van kwaadaardige tumoren te classificeren door de helling van de opname en het gebied onder de curve te berekenen om de uitstroom te meten. Daarom kan analyse van de video op een locatie (zoals het rectum) waar kanker wordt vermoed, worden gebruikt om onderscheid te maken tussen gezond en kankerweefsel. Deze ontdekking kan worden benut voor klinisch gebruik door de toepassing van AI-methoden, waaronder computervisie en machine learning. In wezen varieert de fluorescentie-intensiteit van pixels die weefsels van interesse weergeven met de bloedstroom (perfusie), wanneer het bloed wordt geverfd met ICG en verlicht door nabij-infrarood (NIR) licht. De intensiteit wordt in de loop van de tijd vastgelegd, van meerdere videoframes, en deze intensiteit wordt uitgezet als een curve. De intensiteitscurven van tumorweefsel verschillen van die van gezond weefsel en die van goedaardige tumoren verschillen van kwaadaardige tumoren. Analyse van de curvekenmerken voor elke pixel in een interessegebied kan dus leiden tot een classificatie.

Een dergelijk AI-systeem is eerder geprototypeerd en getraind in het Mater Hospital met video's van een populatie Ierse kankerpatiënten uit twee regionale centra, zodat het automatisch kwaadaardige tumoren en goedaardige laesies van gezond weefsel kan identificeren aan de hand van hun perfusiepatronen. Dit prototype heeft eerder een nauwkeurigheid van >80% aangetoond.

In deze studie valideren we klinisch het basisconcept of de methode om weefsel te classificeren op basis van de kenmerken van het fluorescentiesignaal, terwijl we ook kijken of op basis hiervan een apparaat kan worden gebouwd dat de gegevens kan extrapoleren die uit de video's worden gegenereerd door UCD-medewerkers. We behandelen ook de kwestie van generaliseerbaarheid - kunnen andere chirurgen het systeem gebruiken en vergelijkbare resultaten krijgen van hun specifieke patiëntencohorten? Dit zal de weg vrijmaken voor toekomstige studies die gepland zijn om de rol van biopsie te bepalen (kan het systeem een ​​optimale keuze van biopsieweefsel mogelijk maken en zo biopsiefouten verminderen?); en tumorresectie (kan het systeem de volledigheid en nauwkeurigheid van tumorresectie vergroten?).