Utvikle en maskinlæringsmodell for å forutsi pleuraadhesjon preoperativt ved bruk av pleural ultralyd

Lungekreft er for tiden den ledende dødsårsaken fra ondartede svulster over hele verden. Kirurgi er den primære behandlingsmetoden for lungekreft, og gjennombrudd innen thoraxkirurgiske teknikker spiller en avgjørende rolle i diagnostisering og behandling av lungekreft. Medisinsk ultralydteknologi, på grunn av dens ikke-invasive, fleksible, praktiske og økonomiske egenskaper, er mye brukt i klinisk praksis. Med utviklingen av ultralydteknologi og behovet for å møte kliniske utfordringer, har ultralydavbildningsteknologi sett ny utvikling innen thorakoskopisk kirurgi.

I en tid med minimalt invasiv kirurgi er intraoperative pleurale adhesjoner en av hovedfaktorene som påvirker implementeringen av videoassistert torakoskopisk kirurgi (VATS). Spesielt under konseptet forsterket restitusjon etter kirurgi (ERAS) har dagkirurgimodellen for VATS gradvis tatt form. Imidlertid øker pleurale adhesjoner betydelig intraoperativt traume og forlenger sykehusopphold. I tillegg øker pleuraadhesjoner risikoen for lungeskade under VATS og kan i alvorlige tilfeller hindre tilgang til pleurarommet, noe som nødvendiggjør konvertering til åpen torakotomi. Pleural adhesjoner øker intraoperativ tid og sykelighet ved thoraxkirurgi på grunn av dårlig synlighet, blødninger og lunge- og vaskulære skader. Tilstedeværelsen, plasseringen og graden av pleuraadhesjoner er nyttige for å bestemme den første portplasseringen eller velge mellom åpen eller VATS-tilnærminger. Derfor er nøyaktig forutsigelse av tilstedeværelsen og den spesifikke plasseringen av pleurale adhesjoner preoperativt avgjørende for utviklingen av dagkirurgi under thorax ERAS, og sikrer sikkerheten og effektiviteten til fremtidige VATS-dagoperasjoner.

Tidligere studier har vist at CT-thorax er vanskelig å forutsi pleurale adhesjoner, med en sensitivitet på kun 72 % og en sensitivitet på kun 46 % for å bestemme adhesjoner på spesifikke steder. I motsetning til dette kan ultralyd av pleura (USP) dynamisk vise pleuraglidning og adhesjoner med omkringliggende lungevev, og har sanntidsovervåkingsevne basert på bevegelse, noe som gir unike fordeler for å oppdage pleuraadhesjoner. Preoperativ prediksjon av pleuraadhesjoner ved bruk av USP har betydelig bruksverdi. Studier har allerede vist fordelene ved å bruke transthoracic pleural ultralyd for å identifisere pleura adhesjoner. Nicola et al. utførte 1 192 ultralyder for å forutsi pleuraadhesjoner, og bekreftet 1 124 positive tilfeller og 68 negative tilfeller, med en sensitivitet på 80,6 %, spesifisitet på 96,1 %, positiv prediktiv verdi på 73,2 % og negativ prediktiv verdi på 97,4 %. Imidlertid er det fortsatt noen problemer med å bruke USP for å forutsi pleural adhesjoner. Leger som kan identifisere pleuraladhesjoner må få opplæring i lungeultralyd, og ultralydundersøkelse og tolkning er ferdighetsavhengige teknikker. Byrden med å utdanne thorax-ultralydleger er fortsatt en klinisk utfordring.

Tredimensjonal konvolusjonelt nevralt nettverk (3D-CNN) teknologi er en fremvoksende teknologi innen kunstig intelligens og maskinlæring. I motsetning til tradisjonelle konvolusjonelle nevrale nettverk (CNN), kan 3D-CNN behandle tredimensjonale data som inkluderer en tidsdimensjon, noe som gjør den egnet for å analysere sanntids dynamiske bildefunksjoner til ultralydbilder. Denne teknologien lover å utvikle en maskinlæringsmodell for å tolke USP-bilder, som potensielt kan erstatte legetolkning og forbedre nøyaktigheten til USP når det gjelder å identifisere pleuraadhesjoner.

Oppsummert har denne studien til hensikt å bruke USP for preoperativ identifikasjon av pleuraadhesjoner hos pasienter som er planlagt for VATS-kirurgi. Den tar sikte på å undersøke nøyaktigheten til USP i å forutsi intraoperative pleuraadhesjoner og å utvikle en diagnostisk modell ved bruk av 3D-CNN-teknologi for å behandle USP-relaterte bilder og videodata for maskinlæring. Studien vil utforske sensitiviteten, spesifisiteten, den positive prediktive verdien og den negative prediktive verdien til 3D-CNN-USP-modellen for å identifisere pleuraadhesjoner. I tillegg vil den undersøke gjennomførbarheten og effektiviteten av å bruke 3D-CNN-USP for preoperativ identifikasjon av pleuraadhesjoner for å støtte implementeringen av dagkirurgi i thoraxkirurgi.