CLASSICA: Validering av AI i klassifisering av kreft i sanntidskirurgistudie 1

Rektale polypper >2 cm i størrelse (påvirker ca. 10 000 pasienter i året i Europa alene) representerer en betydelig klinisk utfordring. Mens mindre polypper kan behandles ved rutinemessig endoskopisk polypektomi og åpenbar klinisk kreft vil gå videre gjennom et tradisjonelt kreftkirurgiparadigme, har polypper av denne størrelsen muligheten til å bli lokalt utskåret, intakte ved transanal endoskopisk reseksjon (også referert til som Transanal Minimally Invasive Surgery, TAMIS). Dette er den foretrukne behandlingen på dette stedet på grunn av dets evne til å gi en enkelt fullstendig ufragmentert prøve kontra andre modaliteter (f.eks. endoskopisk submukosal reseksjon). Mens teknologien og opplæringen for å muliggjøre transanal reseksjon har blitt mye mer tilgjengelig i løpet av det siste tiåret (spesielt TAMIS), noe som betyr at flere pasienter kan få store godartede lesjoner og til og med noen tidlige rektale kreftformer skåret ut i deres lokale spesialistsentre, er den største bremsen nå for slik behandling er pasientvalg: det vil si hvordan man kan finne ut om en gitt pasient har en godartet polypp eller kreft før reseksjonen.

Endoskopiske biopsier er notorisk unøyaktige i opptil 20 % av slike lesjoner (endetarmskreft starter oftest som adenomatøse lesjoner, og derfor kan overfladiske biopsier gå glipp av et ondartet fokus). Å feilaktig identifisere en kreft som en godartet lesjon og behandle den ved lokal eksisjon forverrer prognosen betydelig og kompromitterer påfølgende kreftkirurgi - inkludert potensielt konvertering av et rekonstruerbart reseksjonssted (dvs. en lesjon som er egnet for fremre reseksjon) til et urekonstruerbart (dvs. trenger en abdominoperineal reseksjon med permanent kolostomi) og ved å så kreftceller inn i en dyp margin eller et annet plan, spesielt som i tilfellet for fremre posisjonerte lesjoner. I tillegg fortsetter transanale eksisjonsteknikker å ha relativt høye forekomster av positive marginer; dette risikerer gjenvekst i godartede lesjoner og begrenser effektiv lokal terapi for kreft i tidlig stadium på grunn av tilstedeværelsen av usynlig sykdom nær hovedtumormassen.

Vi har tidligere vist, ved bruk av fluorescerende indocyaningrønn (ICG), at perfusjon er synlig forskjellig, mellom svulst og sunt vev. Denne forskjellen kan fanges opp via infrarød video, og matematisk analyse kan skille perfusjonsmønsteret til ondartede områder fra ethvert godartet/normalt vev som også er synlig i samme endoskopiske visning. Kort fortalt kan metningen av fluorescens i hver region av interesse (dvs. tumor eller område med normal slimhinne) måles fra den innspilte videoen ved å bruke eksisterende programvare utviklet av IBM. Endringen i fluorescens over tid kan plottes på en kurve, som viser innstrømning, topp og utstrømning av ICG, som er avhengig av perfusjonsmønstrene i området av interesse. Disse kurvene varierer avhengig av vevet som undersøkes, og kan derfor brukes til å klassifisere godartede fra ondartede svulster ved å beregne stigningstallet for opptak og arealet under kurven for å måle utstrømning. Derfor, på et sted (som endetarmen) hvor det er mistanke om kreft, kan analyse av videoen brukes til å skille mellom sunt og kreftvev. Denne oppdagelsen kan utnyttes til klinisk bruk ved bruk av AI-metoder, inkludert datasyn og maskinlæring. I hovedsak varierer fluorescensintensiteten til piksler som viser vev av interesse med blodstrømmen (perfusjon), når blodet er farget med ICG og opplyst av nær-infrarødt (NIR) lys. Intensiteten fanges over tid, fra flere videobilder, og denne intensiteten er plottet som en kurve. Intensitetskurvene til tumorvev er forskjellige fra de for sunt vev, og de for godartede svulster er forskjellige fra ondartede svulster. Analyse av kurvetrekkene for hver piksel i et område av interesse kan dermed føre til en klassifisering.

Et slikt AI-system har blitt prototype og trent i Mater Hospital tidligere med videoer fra en populasjon av irske kreftpasienter fra to regionale sentre, slik at det automatisk kan identifisere ondartede svulster og godartede lesjoner fra sunt vev ved deres perfusjonsmønstre. Denne prototypen har tidligere vist en nøyaktighet på >80 %.

I denne studien validerer vi klinisk det grunnleggende konseptet eller metoden for å klassifisere vev etter dets fluorescenssignalegenskaper, samtidig som vi ser om en enhet kan bygges på grunnlag av dette som kan ekstrapolere dataene som genereres fra videoene av UCD-ansatte. Vi tar også opp spørsmålet om generaliserbarhet – kan andre kirurger bruke systemet og få lignende resultater fra sine spesifikke pasientkohorter? Dette vil bane vei for fremtidige studier som er planlagt for å bestemme rollene til biopsi (kan systemet muliggjøre optimalt valg av biopsivev, og dermed redusere biopsifeil?); og tumorreseksjon (kan systemet øke fullstendigheten og nøyaktigheten av tumorreseksjonen?).