ŚRÓDOPERACYJNE BADANIE Z WYKORZYSTANIEM HYperspektralu opartego na uczeniu się maszyn do diagnozy i oceny anatomii autonomicznej (iEXMachyna3)

Śródoperacyjne rozpoznanie docelowych struktur, które wymagają zachowania lub wybiórczego usunięcia, ma ogromne znaczenie podczas zabiegów chirurgicznych. Zadanie to opiera się głównie na wiedzy anatomicznej i doświadczeniu operatora. W warunkach chirurgii minimalnie inwazyjnej sprzężenie zwrotne dotykowe jest ograniczone, a wzrok chirurga jest jedyną wskazówką do rozróżnienia tkanek. Błędne postrzeganie anatomii, spowodowane specyficznymi stanami patologicznymi pacjenta i/lub brakiem doświadczenia chirurga, może prowadzić do zwiększonego ryzyka jatrogennego uszkodzenia krytycznych struktur anatomicznych i może mieć druzgocące konsekwencje. Obrazowanie hiperspektralne (HSI) to obiecująca technologia, która łączy aparat fotograficzny ze spektrometrem i jest w stanie wykonać skanowanie optyczne dużego obszaru w czasie rzeczywistym, bez kontrastu, dostarczając zarówno informacji przestrzennych, jak i spektralnych, generowanych przez interakcji tkanka/światło. Technologia opiera się na wykorzystaniu spektroskopowych pomiarów odbicia. Pomiar polega na napromieniowaniu danego obszaru światłem białym (zwykłe lampy halogenowe o nieszkodliwym natężeniu) i zarejestrowaniu emitowanych z danego obszaru natężeń widmowych w postaci widm remisyjnych. Oddziaływanie optyczne (rozpraszanie, absorpcja) padającego światła z różnymi składnikami (w tym głębokością) materiału docelowego (np. tkanek biologicznych) zmienia widmowy rozkład światła, tak że światło odpuszczone niesie informacje o aktualnym składzie i fizjologii materiału lub tkanki (np. perfuzja). HSI jest już ustaloną metodą obiektywnej klasyfikacji informacji obrazowych w wielu dziedzinach nauki (np. teledetekcja), która została po raz pierwszy zastosowana w medycynie człowieka około 15 lat temu. Ze względu na nieodłączne zalety nieniszczącego pobierania próbek, możliwości łączenia z popularnymi modalnościami optycznymi (mikroskop, endoskop) oraz ilościowe wyniki niezależne od badacza, w międzyczasie opracowano różne podejścia do wykorzystania potencjału obrazowania hiperspektralnego w medycynie.

Jego przydatność w dziedzinie biomedycyny została już szeroko udowodniona. Była wcześniej stosowana w chirurgii przewodu pokarmowego do ilościowego oznaczania utlenowanej hemoglobiny jelitowej podczas kilku zabiegów lub w przypadku niedokrwienia krezki. Szereg wcześniejszych prac koncentrowało się z powodzeniem na zdolności HSI do rozróżniania tkanki normalnej i nowotworowej w raku prostaty, raku jelita grubego, raku żołądka, glejaku, raku głowy i szyi. W dziedzinie onkologii postępy w klasyfikacji cech hiperspektralnych były niezwykłe i doprowadziły do ​​pomyślnego zastosowania zaawansowanych algorytmów głębokiego uczenia się. W chirurgii badano przydatność kamery HSI do wizualizacji pola operacyjnego w warunkach trudnego krwawienia lub wykrywania obecności guza w obrębie marginesów resekcji po chirurgicznym wycięciu.

Japońska grupa wykorzystała system HSI jako dodatkowe narzędzie wizualizacji do wykrywania niedokrwienia jelit, a także do klasyfikacji anatomii jamy brzusznej. Zidentyfikowali określoną długość fali (756-830 nm) do rozróżnienia między zdrowym a mniej ukrwionym jelitem. Wykazali również, że śledziona, okrężnica, jelito cienkie, pęcherz moczowy i otrzewna mają różne cechy spektralne. To odkrycie może umożliwić w przyszłości nawigację pola operacyjnego opartą na HSI. Nasza grupa niedawno zastosowała HSI jako narzędzie śródoperacyjne w modelu świńskim do ilościowego określenia perfuzji narządów przewodu pokarmowego względem solidnych markerów biologicznych. Wyniki pokazały, że technologia ta umożliwia ilościową ocenę dopływu krwi do jelit z dużą precyzją.

Inne grupy wcześniej próbowały odróżnić przewód żółciowy od naczyń, przełyk od tkanki tchawicy, tarczycę od przytarczyc, nerw i moczowód od otaczających tkanek. Jednak te wcześniejsze prace ukierunkowane na rozpoznawanie kluczowych struktur anatomicznych były prowadzone przy użyciu prostych algorytmów rozróżniania cech lub metod selekcji prążków. Ilość informacji uzyskanych po każdej akwizycji różni się w zależności od rozdzielczości kamery, ale jest dość duża, dlatego wymagane są techniki maszynowe i głębokiego uczenia się do klasyfikacji danych i ekstrakcji cech. W zestawie kontrolowanych eksperymentów na modelu świńskim z powodzeniem wykorzystano sygnatury hiperspektralne w połączeniu z algorytmami uczenia maszynowego do śródoperacyjnego rozróżnienia drobnych struktur anatomicznych, takich jak nerwy lub moczowody (dane niepublikowane).

Badanie i-EX-MACHYNA3 ma na celu przetłumaczenie technologii HSI w połączeniu z kilkoma algorytmami głębokiego uczenia się w celu rozróżnienia różnych klas tkanek ludzkich (w tym kluczowych struktur anatomicznych, takich jak ChAD, nerwy i moczowody).