Studie om klassifiseringsmetode for indocyaningrønn lymfografi basert på dyp læring (BCRL；ICG)

Brystkreftrelatert lymfødem (BCRL) er den vanligste komplikasjonen etter brystkreftkirurgi, som medfører en tung psykologisk og åndelig belastning for pasientene. I lang tid har diagnostisering og behandling av lymfødem vært et vanskelig punkt i innenlandsk og utenlandsk forskning. I stor grad er det fordi de fleste av pasientene som kommer til lege allerede har utviklet tydelig lymfødem, og de indre lymfekarene har gjennomgått patologisk remodellering[1] Derfor er det spesielt viktig å oppdage tidlig lymfødem og gripe inn i tide. gjennom bruk av sensitive screeningsverktøy. Indocyaningrønn (ICG) lymfangiografi er en relativt ny metode, som kan vise overfladisk lymfestrøm i sanntid og raskt, og vil ikke bli påvirket av radioaktivitet [7]. I 2007 ble indocyaningrønn lymfografi brukt for første gang for å evaluere funksjonen til overfladiske lymfekar. I 2011 fant japanske forskere hudreflukstegn basert på ICG-lymfografidata fra 20 pasienter med lymfødem etter brystkreftoperasjon, og de ble grovt delt inn i tre typer etter alvorlighetsgraden: sprut, stjernehop og diffus (Figur 1) [8 ]. Senere, i 2016, bekreftet en prospektiv studie som involverte 196 personer verdien av ICG-lymfografi i tidlig diagnose av lymfødem, og gjorde bildene av ICG-lymfografi mer spesifikke stadier 0-5 [9], men iscenesettelsen er fortsatt basert på de tre typer hudreflukssymptomer funnet i en liten klinisk prøvestudie i 2011, som ikke er fullstendig anvendelig i faktiske kliniske applikasjoner. I tillegg, når unormale hudreflukssymptomer vises på ICG-lymfangiografi, mangler de patofysiologiske endringene som oppstår i kroppen forskning og utforskning. Derfor håper denne forskningen å forbedre bildefunksjonene til ICG-lymfografi gjennom maskinlæring (dyp læring), og etablere en PKUPH-modell for diagnostisering av tidlig lymfødem ved å iscenesette bildefunksjonene.