Een machine learning-model ontwikkelen om pleurale adhesie preoperatief te voorspellen met behulp van pleurale echografie

Longkanker is momenteel wereldwijd de belangrijkste doodsoorzaak door kwaadaardige tumoren. Chirurgie is de belangrijkste behandelmethode voor longkanker, en doorbraken in thoracale chirurgische technieken spelen een cruciale rol bij de diagnose en behandeling van longkanker. Medische ultrasone technologie wordt vanwege de niet-invasieve, flexibele, gemakkelijke en economische kenmerken veel gebruikt in de klinische praktijk. Met de vooruitgang van de ultrasone technologie en de noodzaak om klinische uitdagingen aan te pakken, heeft de ultrasone beeldvormingstechnologie nieuwe ontwikkelingen gezien op het gebied van thoracoscopische chirurgie.

In het tijdperk van minimaal invasieve chirurgie zijn intraoperatieve pleurale verklevingen een van de belangrijkste factoren die de implementatie van video-geassisteerde thoracoscopische chirurgie (VATS) beïnvloeden. Vooral onder het concept van verbeterd herstel na een operatie (ERAS) heeft het dagoperatiemodel voor VATS geleidelijk vorm gekregen. Pleurale verklevingen vergroten echter het intraoperatieve trauma aanzienlijk en verlengen het verblijf in het ziekenhuis. Bovendien verhogen pleurale verklevingen het risico op longletsel tijdens VATS en kunnen ze in ernstige gevallen de toegang tot de pleurale ruimte belemmeren, waardoor conversie naar een open thoracotomie noodzakelijk is. Pleurale verklevingen verhogen de intraoperatieve tijd en morbiditeit bij thoracale chirurgie als gevolg van slecht zicht, bloedingen en long- en vaatletsel. De aanwezigheid, locatie en mate van pleurale verklevingen zijn nuttig voor het bepalen van de initiële poortplaatsing of voor het kiezen tussen open of VATS-benaderingen. Daarom is het preoperatief nauwkeurig voorspellen van de aanwezigheid en specifieke locatie van pleurale verklevingen cruciaal voor de ontwikkeling van dagchirurgie onder thoracale ERAS, waardoor de veiligheid en efficiëntie van toekomstige VATS-dagoperaties worden gegarandeerd.

Eerdere onderzoeken hebben aangetoond dat CT van de thorax moeilijk te voorspellen pleurale verklevingen is, met een gevoeligheid van slechts 72% en een gevoeligheid van slechts 46% voor het bepalen van verklevingen op specifieke locaties. Daarentegen kan echografie van het borstvlies (USP) op dynamische wijze pleuraal glijden en verklevingen met omringend longweefsel weergeven, en beschikt het over real-time monitoringmogelijkheden op basis van beweging, wat unieke voordelen biedt voor het detecteren van pleurale verklevingen. Preoperatieve voorspelling van pleurale verklevingen met behulp van USP heeft een aanzienlijke toepassingswaarde. Studies hebben al de voordelen aangetoond van het gebruik van transthoracale pleurale echografie om pleurale verklevingen te identificeren. Nicola et al. voerde 1.192 echo's uit om pleurale verklevingen te voorspellen, waarbij 1.124 positieve gevallen en 68 negatieve gevallen werden bevestigd, met een sensitiviteit van 80,6%, specificiteit van 96,1%, positief voorspellende waarde van 73,2% en negatief voorspellende waarde van 97,4%. Er zijn echter nog steeds enkele problemen met het gebruik van USP om pleurale verklevingen te voorspellen. Artsen die pleurale verklevingen kunnen identificeren, moeten getraind zijn in echografie van de longen, en echografieonderzoek en -interpretatie zijn vaardigheidsafhankelijke technieken. De last van het opleiden van thoracale echografieartsen blijft een klinische uitdaging.

Driedimensionale convolutionele neurale netwerktechnologie (3D-CNN) is een opkomende technologie op het gebied van kunstmatige intelligentie en machinaal leren. In tegenstelling tot traditionele convolutionele neurale netwerken (CNN) kan 3D-CNN driedimensionale gegevens verwerken die een tijdsdimensie bevatten, waardoor het geschikt is voor het analyseren van de realtime dynamische beeldkenmerken van echografiebeelden. Deze technologie is veelbelovend voor de ontwikkeling van een machinaal leermodel om USP-beelden te interpreteren, waardoor de interpretatie van artsen mogelijk wordt vervangen en de nauwkeurigheid van USP bij het identificeren van pleurale verklevingen wordt verbeterd.

Samenvattend is het de bedoeling dat deze studie USP gebruikt voor preoperatieve identificatie van pleurale verklevingen bij patiënten die een VATS-operatie moeten ondergaan. Het doel is om de nauwkeurigheid van USP te onderzoeken bij het voorspellen van intraoperatieve pleurale verklevingen en om een ​​diagnostisch model te ontwikkelen met behulp van 3D-CNN-technologie om USP-gerelateerde beelden en videogegevens te verwerken voor machinaal leren. De studie zal de gevoeligheid, specificiteit, positief voorspellende waarde en negatief voorspellende waarde van het 3D-CNN-USP-model onderzoeken bij het identificeren van pleurale verklevingen. Daarnaast zal het de haalbaarheid en effectiviteit onderzoeken van het gebruik van 3D-CNN-USP voor preoperatieve identificatie van pleurale verklevingen ter ondersteuning van de implementatie van dagchirurgie bij thoracale chirurgie.