Intraoperatieve echografie voor hersenchirurgie verbeterd door AI (BrainUS-AI)

Hersenoperaties voor tumoren brengen grote uitdagingen met zich mee vanwege de complexe anatomie van de hersenen en de infiltratieve aard van deze laesies, die zich vaak nabij eloquente gebieden bevinden. Een van de belangrijkste determinanten van de overleving van de patiënt is de mate van tumorresectie, mits deze kan worden bereikt zonder de neurologische functie in gevaar te brengen 1. Om veilige resectie te maximaliseren, vertrouwen neurochirurgen op een verscheidenheid aan intraoperatieve hulpmiddelen, waaronder fluorescerende middelen, neuronavigatie, directe elektrische stimulatie en geavanceerde intraoperatieve beeldvormingstechnieken, met name intraoperatieve magnetische resonantiebeeldvorming (ioMRI) en intraoperatieve echografie (ioUS) 2.

Hoewel ioMRI uitstekende resolutie en nauwkeurigheid biedt, beperken de hoge kosten, logistieke eisen en complexiteit van integratie de beschikbaarheid ervan tot een klein aantal gespecialiseerde centra 3. Daarentegen is ioUS een goedkope, veelzijdige modaliteit die van nature in de chirurgische workflow wordt geïntegreerd 4-6. Desalniettemin is de bredere adoptie ervan beperkt door verschillende factoren: hoge operatorafhankelijkheid, een steile leercurve en interpretatieproblemen gerelateerd aan artefacten, niet-standaard beeldvormingsvlakken, laag contrast tussen tumor en normaal hersenweefsel, en een beperkt gezichtsveld.

In de afgelopen decennia heeft onderzoek naar AI-gebaseerde segmentatie van hersentumoren aanzienlijke vooruitgang geboekt, maar de meeste werkzaamheden waren gericht op MRI 7. In de context van ioUS hebben vroege studies, zoals die van Ritschel et al. 8, aangetoond dat begeleide classificatiemodellen (bijvoorbeeld support vector machines) tumor van gezond weefsel konden onderscheiden in contrastverbeterde echografie, maar deze benaderingen waren arbeidsintensief en beperkt tot kleine datasets. Ilunga-Mbuyamba et al. 9 onderzochten later multimodale registratie tussen ioUS en MRI om segmentatie te verbeteren, maar de klinische haalbaarheid werd beperkt door de noodzaak van nauwkeurige co-registratie. Recentelijk zijn deep learning-gebaseerde benaderingen door Canalini et al. 10 en Carton et al. 11 toegepast om chirurgische holtes en tumorvolumes in ioUS-beelden te segmenteren.

State-of-the-art methoden, zoals gerapporteerd door Faanes et al. 12, die gebruikmaken van nnU-Net-architecturen, hebben veelbelovende Dice-similariteitscoëfficiënten van 0,6-0,9 bereikt op openbare datasets zoals RESECT-SEG 13 en ReMIND 14. Deze modellen waren echter niet ontworpen voor real-time inferentie en zijn niet gevalideerd in live chirurgische omgevingen. Andere benaderingen, zoals die van Dorent et al. 15, zijn gebaseerd op synthetische echografiebeelden afgeleid van preoperatieve MRI, wat zorgen oproept over de generaliseerbaarheid naar echte ioUS-gegevens. Al met al blijft de klinische vertaling, ondanks deze vooruitgang, beperkt vanwege de unieke uitdagingen van ioUS, waaronder lagere ruimtelijke resolutie, beeldheterogeniteit en variabiliteit in acquisitieprotocollen.

In andere medische domeinen heeft AI-ondersteunde echografiesegmentatie de haalbaarheid van real-time aangetoond. Zo implementeerden Hu et al. 16 U-Net-gebaseerde modellen voor segmentatie van borstlaesies met 16 frames per seconde (FPS) en Dice-scores hoger dan 0,75, terwijl Wei et al. 17 YOLO-gebaseerde detectie toepasten om carotisplaques te identificeren met 98,5% nauwkeurigheid bij 39 FPS. Ondanks hun efficiëntie en nauwkeurigheid moeten vergelijkbare benaderingen nog worden geïmplementeerd en klinisch gevalideerd voor hersentumorchirurgie met ioUS.

Ons project beoogt deze kloof te dichten door een multicenter, prospectieve, niet-gerandomiseerde validatie uit te voeren van een prototype deep learning-gebaseerd segmentatiemodel specifiek ontworpen voor real-time intraoperatieve hersentumorechografie. Het model werkt op chirurgische framerates, waarbij het automatisch tumorgrenzen afbakent op de live echografiefeed, met als doel intraoperatieve besluitvorming te ondersteunen, de mate van resectie te maximaliseren wanneer oncologisch passend, en neurologische functie te behouden.

Deze studie bouwt voort op ons eerdere werk, dat een solide wetenschappelijke basis heeft gelegd voor de voorgestelde validatie. In onze recente publicatie, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, hebben we een deep learning-model getraind en gevalideerd voor hersentumorsegmentatie met behulp van multicentergegevens van BraTioUS-DB, wat een mijlpaal markeert in ioUS-onderzoek. In een tweede studie, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, ontwikkelden en prospectief evalueerden we een real-time computervisiedetectiemodel in de operatiekamer. Samen vormen deze bijdragen een robuust kader voor het bevorderen van real-time AI-gebaseerde segmentatie in intraoperatieve echografie, direct in lijn met de doelstellingen van de huidige studie.