Intraoperativ undersøkelse ved bruk av MAChine-læringsbasert HYperspectral for diagnose og autonom anatomivurdering (iEXMachyna3)

Den intraoperative gjenkjennelsen av målstrukturer, som må bevares eller selektivt fjernes, er av største betydning under kirurgiske prosedyrer. Denne oppgaven er hovedsakelig avhengig av operatørens anatomiske kunnskap og erfaring. Ved minimalt invasiv kirurgi er det redusert taktil tilbakemelding og kirurgens syn er den eneste ledetråden til å skille vevet. Feil oppfatning av anatomien, på grunn av pasientspesifikke patologiske tilstander og/eller kirurgens uerfarenhet, kan føre til økt risiko for iatrogen skade på kritiske anatomiske strukturer og kan ha ødeleggende konsekvenser. Hyperspektral avbildning (HSI) representerer en lovende teknologi som kombinerer et fotokamera med et spektrometer og som er i stand til å utføre en optisk skanning i sanntid over et stort område, på en kontrastfri måte, og gir både romlig og spektral informasjon, generert av vev/lys-interaksjonen. Teknologien er basert på bruk av refleksjonsspektroskopiske bildemålinger. Målingen består i bestråling av hvitt lys på området (normale halogenlamper, i ikke-skadelig intensitet) og registrering av de remitterte spektrale intensitetene fra området i form av remisjonsspektre. Den optiske interaksjonen (spredning, absorpsjon) av det innfallende lyset med de forskjellige komponentene (inkludert dybden) til målmaterialet (f.eks. biologisk vev) endrer den spektrale fordelingen av lys slik at det remitterte lyset bærer informasjon om gjeldende materiale eller vevssammensetning og fysiologi (f. perfusjon). HSI er en allerede etablert metode for objektivt klassifisering av bildeinformasjon innen en rekke vitenskapelige felt (f. fjernmåling), som først ble brukt innen humanmedisin for rundt 15 år siden. På grunn av de iboende fordelene med ikke-destruktiv prøveinnsamling, grensesnittmuligheter med vanlige optiske modaliteter (mikroskop, endoskop) og kvantitative, undersøkeruavhengige resultater, har ulike tilnærminger blitt utviklet i mellomtiden for å utnytte potensialet til hyperspektral avbildning i medisin.

Dens nytte i det biomedisinske feltet har allerede blitt omfattende bevist. Det har tidligere blitt brukt i fordøyelseskirurgi for å kvantifisere intestinalt oksygenert hemoglobin under flere prosedyrer, eller i tilfelle mesenterisk iskemi. En rekke tidligere arbeider fokuserte med suksess på HSIs evne til å skille mellom normalt vev og tumorvev, i prostatakreft, tykktarmskreft, magekreft, glioblastom, hode- og nakkekreft. På det onkologiske feltet har fremskrittene innen klassifisering av hyperspektrale funksjoner vært bemerkelsesverdige og ført til vellykket bruk av sofistikerte dyplæringsalgoritmer. I kirurgi har nytten av HSI-kamera blitt studert for å visualisere operasjonsfeltet under vanskelig blødning eller for å oppdage tumortilstedeværelse innenfor reseksjonsmarginene etter kirurgisk eksisjon.

En japansk gruppe brukte et HSI-system som ekstra visualiseringsverktøy for å oppdage intestinal iskemi og også for å klassifisere den intraabdominale anatomien. De identifiserte en spesiell bølgelengde (756-830 nm) for differensiering mellom sunn og mindre perfusert tarm. De demonstrerte også at milten, tykktarmen, tynntarmen, urinblæren og bukhinnen har forskjellige spektrale egenskaper. Dette funnet kan muliggjøre fremtidig HSI-basert navigering av operasjonsfeltet. Vår gruppe brukte nylig HSI som intraoperativt verktøy i svinemodellen for å kvantifisere perfusjon av organene i mage-tarmkanalen mot robuste biologiske markører. Resultatene viste at denne teknologien er i stand til å kvantifisere tarmens blodtilførsel med høy grad av presisjon.

Andre grupper har tidligere forsøkt å skille gallegang fra karene, spiserøret fra luftrørsvevet, skjoldbruskkjertelen fra biskjoldbruskkjertelen, nerve og urinleder fra det omkringliggende vevet. Imidlertid ble de tidligere arbeidene rettet mot å gjenkjenne viktige anatomiske strukturer utført ved å bruke enten enkle funksjonsdiskrimineringsalgoritmer eller båndvalgmetoder. Mengden informasjon som oppnås etter hver anskaffelse, varierer i henhold til kameraoppløsningen, men er ganske stor, derfor kreves maskin- og dyplæringsteknikker for dataklassifisering og funksjonsekstraksjon. I et sett med kontrollerte eksperimenter i svinemodellen har hyperspektrale signaturer blitt brukt med hell, koblet til maskinlæringsalgoritmer, for å diskriminere fine anatomiske strukturer som nerver eller urinledere intraoperativt (upubliserte data).

i-EX-MACHYNA3-studien tar sikte på å oversette HSI-teknologien i kombinasjon med flere dyplæringsalgoritmer for å skille mellom ulike klasser av menneskelig vev (inkludert viktige anatomiske strukturer som BD, nerver og urinledere).