HSI do identyfikacji płaszczyzny międzysegmentowej podczas podpłatowej resekcji płuca (HYPER-Seg)

Rak płuc jest główną przyczyną zgonów związanych z rakiem na całym świecie. Ze względu na uogólnienie strategii badań przesiewowych, zwłaszcza w populacjach ryzyka, coraz więcej przypadków raka płuca jest wykrywanych we wczesnym stadium. W związku z tym rak płuca jest również coraz częściej diagnozowany u pacjentów z upośledzoną czynnością płuc. Obecnie w tej kohorcie ocenia się segmentektomie płucne w celu zachowania funkcji płuc i zmniejszenia częstości powikłań. Dlatego najnowsza wersja niemieckich wytycznych dotyczących profilaktyki, diagnostyki, leczenia i obserwacji raka płuca zaleca segmentektomię u pacjentów z upośledzoną czynnością płuc w I/II stopniu zaawansowania nowotworu. Jednak identyfikacja płaszczyzny międzysegmentowej – kluczowego etapu segmentektomii – pozostaje wyzwaniem. Niedokładne rozpoznanie płaszczyzny międzysegmentowej może prowadzić do dysfunkcji pozostałej tkanki płucnej, niedopasowania wentylacji lub przepływu krwi lub długotrwałego wycieku powietrza po operacji, co wymaga nawet nieplanowanej wtórnej operacji. Zieleń indocyjaninowa (ICG) jest jedną z ostatnio ocenianych metod identyfikacji i uważana jest za złoty standard. Obrazowanie hiperspektralne (HSI) – nowo opracowana technika obrazowania śródoperacyjnego – umożliwia nieinwazyjną ocenę perfuzji tkankowej i rozróżnianie tkanki płucnej o różnej perfuzji tkankowej podczas segmentektomii.

Celem tego prospektywnego, jednoośrodkowego badania typu non-inferiority IDEAL Stage 2b jest identyfikacja płaszczyzny międzysegmentowej i nawigacji podczas podpłatowych resekcji płuca w raku płuca przy użyciu obrazowania hiperspektralnego, porównanie z identyfikacją płaszczyzny międzysegmentalnej fluorescencji ICG oraz ustalenie automatyczna międzysegmentowa nawigacja płaszczyzny z wykorzystaniem strategii uczenia maszynowego do nawigacji śródoperacyjnej.

Aby temu zaradzić, płaszczyzna międzysegmentowa zostanie wykryta zarówno za pomocą fluorescencji HSI, jak i ICG podczas segmentektomii płuc, a zgodność obu metod identyfikacji zostanie porównana ze sobą. Za pomocą strategii uczenia maszynowego zostanie przeanalizowane wykrywanie perfundowanej i nieperfundowanej tkanki płucnej oraz płaszczyzny międzysegmentalnej. Na koniec badacze zbadają śledzenie ruchu w celu ulepszenia przyszłych ilustracji HSI podczas operacji.

Hipoteza tego badania jest taka, że ​​HSI może poprawić śródoperacyjną nawigację podczas segmentektomii płucnej, zapewniając wiarygodną identyfikację płaszczyzny międzysegmentowej jako złoty standard zielonej fluorescencji indocyjaninowej. W takim przypadku dożylna aplikacja barwnika fluorescencyjnego nie byłaby już wymagana do identyfikacji płaszczyzny międzysegmentowej.

W przypadku resekcji odcinka złożonego konieczna jest duża ilość lub wielokrotne podanie ICG ze względu na krótki czas krążenia płucnego. Wielokrotne stosowanie ICG może spowodować przedostanie się ICG do docelowej tkanki płucnej przez krążenie oskrzelowe i zwiększa ryzyko działań niepożądanych ICG. Natomiast zaletami HSI byłby szybszy i powtarzalny pomiar podczas operacji. Istnieje możliwość skrócenia całkowitego czasu pomiaru podczas preparowania w płaszczyźnie międzysegmentowej (10 sekund vs. 3 minuty/pomiar), aw konsekwencji obciążenia pacjenta. W tym kontekście kilka badań pomiaru perfuzji opartego na HSI podczas operacji przełyku lub jelita grubego wykazało już poprawę wyników pacjentów. Ponadto HSI może być stosowany do operacji u pacjentów z nadczynnością tarczycy lub zaburzeniami czynności nerek lub wątroby.

Aby poprzeć tę hipotezę, w tym badaniu zostanie zastosowany prospektywny projekt badania równoważności. Aby zapewnić jakość pozyskiwania i raportowania danych, badanie zostanie przeprowadzone zgodnie z wytycznymi raportowania IDEAL. Podczas segmentektomii płuc płaszczyzna międzysegmentowa zostanie zidentyfikowana za pomocą fluorescencji zarówno HSI, jak i ICG. Określony margines międzysegmentowy HSI zostanie porównany z podstawową fluorescencją ICG i zbadana zostanie wykonalność i odtwarzalność mapowania HSI i ICG.

Metody uczenia maszynowego znacznie poprawiły interpretację subtelnych wzorców w danych obrazów medycznych. Konwolucyjne sieci neuronowe (CNN) można uznać za najnowocześniejsze w klasyfikacji i segmentacji obrazów medycznych. Badacze rozszerzą oparte na CNN metody klasyfikacji HSI, aw szczególności zbadają oparte na plastrach zróżnicowanie między tkanką perfundowaną i nieperfuzowaną przy użyciu danych ICG i HSI uzyskanych w tej samej pozycji. Kolejnym wyzwaniem jest stosunkowo powolna akwizycja HSI (10 sekund/pomiar), co czyni ją podatną na artefakty ruchowe, np. z powodu ruchu pulsacyjnego. Aby temu zaradzić, badacze zbadają śledzenie ruchu, które jest również istotne dla przyszłej ilustracji granicy segmentu podczas operacji.

Podejścia do uczenia maszynowego, a zwłaszcza CNN, pozwalają bezpośrednio optymalizować klasyfikatory w oparciu o rzeczywiste dane kliniczne, a wymiar widmowy można obsługiwać w prosty sposób. Ponadto, jako wszechstronna metoda przetwarzania obrazu, sieci CNN mogą być również wykorzystywane do lokalizacji i kompensacji ruchu podczas obrazowania śródoperacyjnego, np. Jest to interesujące w przypadku proponowanej akwizycji danych HSI, która opiera się na sekwencji pomiarów wrażliwych na ruch tkanki.