HSI for intersegmental planidentifikasjon under sublobar pulmonal reseksjon (HYPER-Seg)

Lungekreft er den ledende årsaken til kreftrelatert død på verdensbasis. På grunn av generaliseringen av screeningstrategier, spesielt for risikopopulasjoner, oppdages et økende antall tilfeller av lungekreft i et tidlig stadium. I denne forbindelse blir lungekreft også i økende grad diagnostisert hos pasienter med nedsatt lungefunksjon. For å bevare lungefunksjonen og redusere forekomsten av komplikasjoner, blir lungesegmentektomi for tiden evaluert i denne kohorten. Den siste versjonen av den tyske retningslinjen for forebygging, diagnostisering, behandling og oppfølging av lungekreft anbefaler således segmentektomi for pasienter med nedsatt lungefunksjon i tumorstadium I/II. Imidlertid er identifiseringen av det intersegmentale planet - nøkkeltrinnet i segmentektomi - fortsatt utfordrende. Unøyaktig gjenkjennelse av det intersegmentale planet kan føre til dysfunksjon av det gjenværende lungevevet, feiltilpasning av ventilasjon eller blodstrøm, eller langvarig luftlekkasje etter operasjonen, som til og med krever uplanlagt sekundær kirurgi. Indocyanine green (ICG) er en av de siste evaluerte identifikasjonsmetodene og regnes som gullstandard. Hyperspectral Imaging (HSI) - en nyetablert intraoperativ bildebehandlingsteknikk - muliggjør en ikke-invasiv evaluering av vevsperfusjon og diskriminering av lungevev med forskjellig vevsperfusjon under segmentektomier.

Formålet med denne prospektive, enkeltsenter, non-inferioritet IDEAL Stage 2b-studien er identifisering av det intersegmentale planet og navigasjon under sublobare lungereseksjoner ved lungekreft ved bruk av Hyperspectral Imaging, sammenligning med ICG-fluorescens intersegmental planidentifikasjon, og etablering av automatisk intersegmentell flynavigasjon ved bruk av maskinlæringsstrategier for intraoperativ navigasjon.

For å løse dette vil det intersegmentale planet bli oppdaget av både HSI og ICG-fluorescens under pulmonale segmentektomier, og korrespondansen mellom de to identifikasjonsmetodene vil bli sammenlignet med hverandre. Ved hjelp av maskinlæringsstrategier vil deteksjonen av perfusert og ikke-perfusert lungevev og intersegmental plan bli analysert. Til slutt vil etterforskerne studere bevegelsessporing for forbedring av fremtidige HSI-illustrasjoner under operasjonen.

Hypotesen for denne studien er at HSI kan forbedre den intraoperative navigasjonen under pulmonale segmentektomier og gir like pålitelig intersegmental planidentifikasjon som gullstandarden for indocyaningrønn fluorescens. I dette tilfellet vil en intravenøs påføring av fluorescerende farge ikke lenger være nødvendig for identifiseringen av intersegmentplanet.

Ved kompleks segmentreseksjon er en stor mengde eller gjentatt bruk av ICG nødvendig på grunn av den korte lungesirkulasjonstiden. Flergangsbruk av ICG kan føre til at ICG kommer inn i mållungevevet gjennom bronkialsirkulasjonen og øker risikoen for bivirkninger av ICG. I motsetning til dette vil fordelene med HSI være en raskere og repeterende måling under operasjonen. Det vil være et potensial for å redusere den totale måletiden under intersegmental plandisseksjon (10 sekunder vs. 3 minutter / måling) og følgelig pasientens belastning. I denne sammenheng viste flere studier av HSI-basert perfusjonsmåling under esophageal eller kolorektal kirurgi allerede et forbedret pasientresultat. Videre kan HSI brukes til kirurgi på pasienter med hypertyreose eller nedsatt nyre- eller leverfunksjon.

For å støtte denne hypotesen, vil et prospektivt ikke-underordnet studiedesign bli brukt i denne studien. For å sikre kvaliteten på datainnsamling og rapportering vil studien bli utført i henhold til IDEALs rapporteringsretningslinjer. Under pulmonale segmentektomier vil det intersegmentale planet bli identifisert av både HSI- og ICG-fluorescens. Den fastslåtte HSI intersegmentelle marginen vil bli benchmarket mot den grunnleggende ICG-fluorescensen, og gjennomførbarheten og reproduserbarheten av HSI- og ICG-kartlegging vil bli studert.

Maskinlæringsmetoder har i stor grad forbedret tolkningen av subtile mønstre i medisinske bildedata. Konvolusjonelle nevrale nettverk (CNN) kan betraktes som state-of-the-art for klassifisering og segmentering av medisinske bilder. Etterforskerne vil utvide CNN-baserte metoder for HSI-klassifisering og spesielt studere patch-basert differensiering mellom perfusert og ikke-perfusert vev ved å bruke ICG- og HSI-data innhentet på samme posisjon. En ytterligere utfordring er den relativt langsomme innhentingen av HSI (10 sekunder/måling), som gjør den utsatt for bevegelsesartefakter, for eksempel på grunn av pulserende bevegelse. For å adressere dette vil etterforskerne studere bevegelsessporing, som også er relevant for fremtidig illustrasjon av segmentgrensen under operasjonen.

Maskinlæringstilnærminger og spesielt CNN-er gjør det mulig å optimere klassifiserere direkte basert på faktiske kliniske data, og den spektrale dimensjonen kan håndteres på en enkel måte. Dessuten, som en allsidig metode for bildebehandling, kan CNN-er også brukes til lokalisering og bevegelseskompensasjon under intraoperativ avbildning, for eksempel kan de trenes til å oppdage bildefunksjoner og deres bevegelse i røde/grønne/blå bildestrømmer. Dette er interessant for den foreslåtte HSI-datainnsamlingen, som er basert på en sekvens av målinger som er følsomme for vevsbevegelse.