Intraoperativ ultralyd for hjerntumorkirurgi forbedret med KI (BrainUS-AI)

Hjerneoperasjon for svulst presenterer store utfordringer på grunn av hjernens komplekse anatomi og de infiltrerende egenskapene til disse lesjonene, som ofte befinner seg nær viktige funksjonsområder. En av de viktigste faktorene for pasientens overlevelse er omfanget av svulstfjerning, forutsatt at dette kan oppnås uten å kompromittere nevrologisk funksjon 1. For å maksimere trygg fjerning, er nevrokirurger avhengige av en rekke intraoperative hjelpemidler, inkludert fluorescerende midler, nevronavigasjon, direkte elektrisk stimulering og avanserte intraoperative bildebehandlingsteknikker, spesielt intraoperativ magnetisk resonansavbildning (ioMRI) og intraoperativ ultralyd (ioUS) 2.

Selv om ioMRI tilbyr utmerket oppløsning og nøyaktighet, begrenser dens høye kostnad, logistiske krav og kompleksiteten ved integrering dens tilgjengelighet til et lite antall spesialiserte sentre 3. I kontrast til dette er ioUS en lavkostnads, allsidig modalitet som integreres naturlig inn i den kirurgiske arbeidsflyten 4-6. Likevel har dens bredere adopsjon vært begrenset av flere faktorer: høy operatøravhengighet, en bratt læringskurve og tolkingsutfordringer knyttet til artefakter, ikke-standardiserte bildeplan, lav kontrast mellom svulst og normal hjerne, og et begrenset synsfelt.

Over de siste tiårene har forskning på AI-basert segmentering av hjernesvulster utviklet seg betydelig, men mest arbeid har fokusert på MRI 7. I sammenheng med ioUS har tidlige studier, som Ritschel et al. 8, vist at overvåkte klassifiseringsmodeller (f.eks. støttevektormaskiner) kunne skille svulst fra friskt vev i kontrastforsterket ultralyd, men disse tilnærmingene var arbeidskrevende og begrenset til små datasett. Ilunga-Mbuyamba et al. 9 undersøkte senere multimodal registrering mellom ioUS og MRI for å forbedre segmentering, men klinisk gjennomførbarhet ble begrenset av behovet for nøyaktig koregistrering. Mer nylig har dyp læring-baserte tilnærminger av Canalini et al. 10 og Carton et al. 11 blitt brukt for å segmentere kirurgiske hulrom og svulstvolumer i ioUS-bilder.

State-of-the-art metoder, som de rapportert av Faanes et al. 12, som bruker nnU-Net-arkitekturer, har oppnådd lovende Dice-likhetskoeffisienter på 0,6-0,9 på offentlige datasett som RESECT-SEG 13 og ReMIND 14. Imidlertid var disse modellene ikke designet for sanntids inferens og har ikke gjennomgått validering i levende kirurgiske settinger. Andre tilnærminger, som den av Dorent et al. 15, har støttet seg på syntetiske ultralydbilder avledet fra preoperativ MRI, noe som reiser bekymringer om generaliserbarhet til ekte ioUS-data. Samlet sett, til tross for disse fremskrittene, er klinisk oversettelse fortsatt begrenset på grunn av de unike utfordringene med ioUS, inkludert lavere romlig oppløsning, bildeheterogenitet og variasjon i innsamlingsprotokoller.

I andre medisinske domener har AI-assistert ultralydsegmentering demonstrert sanntids gjennomførbarhet. For eksempel implementerte Hu et al. 16 U-Net-baserte modeller for segmentering av brystlesjoner med 16 bilder per sekund (FPS) med Dice-poeng over 0,75, mens Wei et al. 17 brukte YOLO-basert deteksjon for å identifisere karotisplakk med 98,5% nøyaktighet ved 39 FPS. Til tross for deres effektivitet og nøyaktighet, har lignende tilnærminger ennå ikke blitt implementert og klinisk validert for hjerneoperasjon for svulst ved bruk av ioUS.

Vårt prosjekt tar sikte på å fylle dette gapet ved å gjennomføre en multikenter, prospektiv, ikke-randomisert validering av en prototype for dyp læring-basert segmenteringsmodell spesielt designet for sanntids intraoperativ hjerneultralyd. Modellen opererer med kirurgiske bildefrekvenser, og tegner automatisk svulstgrenser direkte på den levende ultralydstrømmen, med målet om å bistå intraoperative beslutninger, maksimere omfanget av fjerning når det er onkologisk passende, og bevare nevrologisk funksjon.

Denne studien bygger på vårt tidligere arbeid, som har etablert et solid vitenskapelig grunnlag for den foreslåtte valideringen. I vår nylige publikasjon, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, trente og validerte vi en dyp læring-modell for hjerne segmentering ved bruk av multikenterdata fra BraTioUS-DB – et milepæl innen ioUS-forskning. I en annen studie, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, utviklet og prospektivt evaluerte vi en sanntids datamaskinsyn-deteksjonsmodell i operasjonssalen. Sammen bidrar disse til en robust ramme for å fremme sanntids AI-basert segmentering i intraoperativ ultralyd, direkte i tråd med målene for denne studien.