Postoperatieve beoordeling van de longfunctie op basis van een deep learning-studie

Verbeteringen in lage-dosis CT-screening hebben geleid tot een toename van vroege-stadium NSCLC-diagnoses, waarbij chirurgische resectie - meestal lobectomie of segmentectomie - de primaire curatieve optie blijft. In Hongkong presenteren patiënten zich echter vaak met comorbiditeiten zoals chronische luchtwegaandoeningen of cardiovasculaire problemen, waardoor het behoud van gezond longweefsel cruciaal is voor hun langetermijnkwaliteit van leven. Traditionele chirurgische resectie, zoals lobectomie of segmentectomie, kent bepaalde beperkingen wat betreft functioneel behoud. Daarentegen is robotgeassisteerde/navigatie-bronchoscopische ablatie de afgelopen jaren naar voren gekomen als een nieuwe minimaal invasieve endoscopische behandelingsstrategie. Deze aanpak is geïmplementeerd in geselecteerde centra en toont potentiële voordelen, waaronder sneller postoperatief herstel, verminderd trauma en verbeterd behoud van longfunctie. Door gebruik te maken van geavanceerde navigatiesystemen maakt bronchoscopische ablatie nauwkeurige lokalisatie en ablatie van pulmonale noduli mogelijk, waarbij de uitgebreide resectie van gezond longweefsel die bij traditionele chirurgie nodig is, wordt vermeden. Deze voordelen beloven de langetermijnkwaliteit van leven en overlevingspercentages van patiënten te verbeteren.

Bovendien bieden conventionele longfunctietesten zoals FEV₁ en diffusiecapaciteit van de long voor koolmonoxide slechts een globale beoordeling van de respiratoire capaciteit, die mogelijk niet volledig de regionale veranderingen in longfunctie weergeeft die optreden na segmentectomie of lobectomie. Evenzo ziet basis-CT-volumetrie fijnere anatomische details over het hoofd, zoals segmentale luchtwegverdeling, microvasculaire netwerken en lokale alveolaire compliantie. Bovendien zijn er momenteel weinig directe vergelijkende studies tussen robotgeassisteerde/navigatie-bronchoscopische ablatie en traditionele chirurgische resectie wat betreft postoperatieve longfunctie en langetermijnresultaten. Ondersteund door de Research Grants Council heeft ons werk sinds 2019 de haalbaarheid en veiligheid van deze techniek gevalideerd, wat heeft geleid tot brede erkenning en talrijke publicaties. De meeste bestaande onderzoeken zijn echter retrospectief of afkomstig uit enkelvoudige-centrumdata, met een primaire focus op kortetermijnveiligheid en technische haalbaarheid.

Om deze beperkingen aan te pakken, wordt een integrale aanpak voorgesteld die gebruikmaakt van 3D-CT-beeldvorming en ML. Machine learning is een technologie die algoritmen gebruikt om automatisch van data te leren en voorspellingen of beslissingen te maken. Deep learning, een subveld van ML, maakt gebruik van meerlaagse neurale netwerken om effectief kenmerken te extraheren en patronen te herkennen in complexe, hoogdimensionale data. ML, en met name DL, heeft opmerkelijke potentie getoond in verschillende medische beeldvormingstoepassingen, waaronder laesiedetectie, weefselsegmentatie en uitkomstvoorspelling. Door automatisch complexe patronen in hoogdimensionale data te leren, kunnen ML- en DL-modellen subtiele radiologische kenmerken interpreteren die door conventionele analyses kunnen worden gemist. In de context van 3D-CT-beeldvorming voor NSCLC kunnen DL-architecturen - zoals convolutionele neurale netwerken - gedetailleerde kenmerken extraheren uit volumetrische scans, waardoor robuuste kwantificering van tumorgrootte, vorm en locatie mogelijk wordt, evenals verfijnde beoordeling van longparenchym. Wanneer geïntegreerd met longfunctieparameters en klinische data, bieden deze algoritmen een krachtig middel om voorspellende modellen te genereren, risicopatiënten eerder te identificeren en geïndividualiseerde behandelplanning te begeleiden. Bovendien kunnen ML-gestuurde benaderingen zich aanpassen aan evoluerende datasets in de loop van de tijd, waardoor hun prestaties continu worden verfijnd en verbeterd. Deze schaalbaarheid en aanpasbaarheid zijn vooral waardevol in prospectieve studies, waar grote, multimodale datasets worden verzameld om de langetermijnimpact van verschillende behandelstrategieën te evalueren. Bijgevolg draagt het opnemen van ML en DL in dit onderzoek niet alleen bij aan de precisie van uitkomstvoorspelling, maar ook aan een gestandaardiseerd kader voor dynamische, gepersonaliseerde beoordeling van longfunctie, wat leidt tot beter geïnformeerde klinische besluitvorming.

Het primaire doel van deze studie is vast te stellen of segmentectomie echt beter functioneel behoud biedt dan lobectomie, of robot/navigatie-gestuurde bronchoscopische ablatie inderdaad superieur longfunctiebehoud bereikt in vergelijking met traditionele chirurgische resectie, en onder welke specifieke patiëntomstandigheden elke aanpak het grootste voordeel kan opleveren. Door een prospectief, goed ontworpen onderzoek uit te voeren, zal het onderzoek een kritische leemte in het bewijs met betrekking tot langetermijnfunctionele uitkomsten opvullen, waardoor duidelijkere criteria worden geboden voor het selecteren van het meest geschikte resectietype. Bovendien heeft de introductie van een gestandaardiseerd, integraal beoordelingsinstrument het potentieel om chirurgische besluitvorming en postoperatieve zorg te optimaliseren, wat uiteindelijk de overleving en kwaliteit van leven voor vroege-stadium NSCLC-patiënten in Hongkong verbetert en mogelijk best practices in andere gezondheidszorgcontexten informeert.