Postoperativ lungefunksjonsvurdering basert på dyplæringsstudie

Forbedringer i lavdose CT-screening har ført til en økning i tidlig stadie NSCLC-diagnoser, hvor kirurgisk reseksjon – vanligvis lobektomi eller segmentektomi – forblir det primære kurative alternativet. I Hongkong presenterer pasientene imidlertid ofte komorbiditeter som kronisk luftveissykdom eller kardiovaskulære problemer, noe som gjør bevaring av sunn lungevev avgjørende for deres langsiktige livskvalitet. Tradisjonell kirurgisk reseksjon, som lobektomi eller segmentektomi, har visse begrensninger når det gjelder funksjonsbevaring. Derimot har robot-/navigasjonsbronkoskopisk ablasjon de siste årene dukket opp som en ny minimalt invasiv endoskopisk behandlingsstrategi. Denne tilnærmingen er implementert i utvalgte sentre og viser potensielle fordeler, inkludert raskere postoperativ rekonvalesens, redusert traume og forbedret bevaring av lungefunksjon. Ved å utnytte avanserte navigasjonssystemer muliggjør bronkoskopisk ablasjon presis lokalisering og ablasjon av lungeknuter, og unngår den omfattende reseksjonen av sunn lungevev som kreves i tradisjonell kirurgi. Disse fordelene lover godt for å forbedre pasientenes langsiktige livskvalitet og overlevelsesrater.

Videre gir konvensjonelle lungefunksjonstester som FEV₁ og diffusionskapasitet for karbonmonoksid bare en global vurdering av respirasjonskapasitet, som kanskje ikke fullt ut fanger opp de regionale endringene i lungefunksjon som oppstår etter segmentektomi eller lobektomi. Likeledes overser grunnleggende CT-volumetri finere anatomiske detaljer som segmental luftveisfordeling, mikrovaskulære nettverk og lokal alveolær ettergivelighet. Videre er det for tiden mangel på direkte sammenlignende studier mellom robot-/navigasjonsbronkoskopisk ablasjon og tradisjonell kirurgisk reseksjon når det gjelder postoperativ lungefunksjon og langsiktige resultater. Støttet av Research Grants Council har vårt arbeid siden 2019 validert gjennomførbarheten og sikkerheten til denne teknikken, noe som har ført til utbredt anerkjennelse og tallrike publikasjoner. Imidlertid er mesteparten av eksisterende forskning retrospektiv eller hentet fra enkelt-senters data, med et primært fokus på kortsiktig sikkerhet og teknisk gjennomførbarhet.

For å håndtere disse begrensningene foreslås en integrert tilnærming som utnytter 3D-CT-bildeforming og ML. Maskinlæring er en teknologi som bruker algoritmer for automatisk å lære fra data og ta beslutninger eller forutsigelser. Dyp læring, et underfelt av ML, bruker flerlags nevrale nettverk for effektivt å trekke ut funksjoner og gjenkjenne mønstre i komplekse, høydimensjonale data. ML, og spesielt DL, har vist bemerkelsesverdig potensial i ulike medisinske bildeapplikasjoner, inkludert lesjonsdeteksjon, vevsegmentering og resultatprediksjon. Ved automatisk å lære komplekse mønstre i høydimensjonale data, kan ML- og DL-modeller tolke subtile radiologiske egenskaper som kan bli oversett av konvensjonelle analyser. I sammenheng med 3D-CT-bildeforming for NSCLC, kan DL-arkitekturer – som konvolusjonelle nevrale nettverk – trekke ut detaljerte funksjoner fra volumetriske skanninger, noe som muliggjør robust kvantifisering av tumorstørrelse, form og plassering samt raffinert vurdering av lungeparenkym. Når de er integrert med lungefunksjonsparametere og kliniske data, gir disse algoritmene et kraftig middel til å generere prediktive modeller, identifisere risikopasienter tidligere og veilede individuell behandlingsplanlegging. Videre kan ML-drevne tilnærminger tilpasse seg utviklende datasett over tid, og kontinuerlig finpusse og forbedre ytelsen. Denne skalerbarheten og tilpasningsevnen er spesielt verdifull i prospektive studier, hvor store, multimodale datasett samles for å evaluere den langsiktige påvirkningen av ulike behandlingsstrategier. Følgelig bidrar inkorporering av ML og DL i denne forskningen ikke bare til å forbedre presisjonen i resultatprediksjon, men også til en standardisert rammeverk for dynamisk, personlig vurdering av lungefunksjon, som veileder mer informert klinisk beslutningstaking.

Det primære målet med denne studien er å fastslå om segmentektomi virkelig tilbyr bedre funksjonsbevaring enn lobektomi, om robot-/navigasjonsstyrt bronkoskopisk ablasjon faktisk oppnår overlegen lungefunksjonsbevaring sammenlignet med tradisjonell kirurgisk reseksjon, og under hvilke spesifikke pasientforhold hver tilnærming kan gi størst nytte. Ved å gjennomføre en prospektiv, veltilrettelagt undersøkelse, vil forskningen fylle et kritisk gap i bevis knyttet til langsiktige funksjonelle resultater, og gi klarere kriterier for å velge den mest passende reseksjonstypen. Videre har introduksjonen av et standardisert, integrert vurderingsverktøy potensial til å optimalisere kirurgisk beslutningstaking og postoperativ pleie, og til slutt forbedre overlevelse og livskvalitet for tidlig stadie NSCLC-pasienter i Hongkong, og potensielt informere beste praksis i andre helsevesenkontekster.