Badanie metody klasyfikacji zielonej limfografii indocyjaninowej opartej na głębokim uczeniu się (BCRL；ICG)

Obrzęk limfatyczny związany z rakiem piersi (BCRL) jest najczęstszym powikłaniem po operacji raka piersi, które stanowi duże obciążenie psychiczne i duchowe dla pacjentek. Diagnostyka i leczenie obrzęku limfatycznego od dawna stanowi trudny punkt w badaniach krajowych i zagranicznych. W dużej mierze dzieje się tak dlatego, że większość pacjentów zgłaszających się do lekarza ma już wyraźny obrzęk limfatyczny, a wewnętrzne naczynia limfatyczne uległy patologicznej przebudowie[1]. Dlatego szczególnie ważne jest wczesne wykrycie obrzęku limfatycznego i interwencja w odpowiednim czasie poprzez zastosowanie czułych narzędzi przesiewowych. Limfoangiografia zielenią indocyjaninową (ICG) jest stosunkowo nową metodą, która pozwala szybko i w czasie rzeczywistym uwidocznić powierzchowny przepływ chłonki, bez wpływu radioaktywności [7]. W 2007 roku po raz pierwszy zastosowano limfografię zieleni indocyjaninowej do oceny funkcji powierzchownych naczyń chłonnych. W 2011 roku japońscy naukowcy wykryli objawy refluksu skórnego na podstawie danych z limfografii ICG 20 pacjentów z obrzękiem limfatycznym po operacji raka piersi i zostali z grubsza podzieleni na trzy typy w zależności od ich ciężkości: rozbryzg, gromada gwiazd i rozlany (ryc. 1) [8 ]. Później, w 2016 roku, w prospektywnym badaniu z udziałem 196 osób potwierdzono wartość limfografii ICG we wczesnej diagnostyce obrzęku limfatycznego i uściślono obrazy limfografii ICG w stopniach 0-5 [9], ale stopień zaawansowania nadal opiera się na trzech rodzajów objawów refluksu skórnego stwierdzonych w badaniu klinicznym na małej próbie w 2011 r., co nie ma pełnego zastosowania w rzeczywistych zastosowaniach klinicznych. Ponadto, gdy w limfangiografii ICG pojawiają się nieprawidłowe objawy refluksu skórnego, zmiany patofizjologiczne zachodzące w organizmie nie są badane i eksplorowane. Dlatego te badania mają na celu udoskonalenie cech obrazu limfografii ICG poprzez uczenie maszynowe (głębokie uczenie się) i ustanowienie modelu PKUPH do diagnozowania wczesnego obrzęku limfatycznego poprzez stopniowanie cech obrazu.