CLASSICA: Walidacja sztucznej inteligencji w klasyfikacji raka w badaniu chirurgii w czasie rzeczywistym 1

Polipy odbytu o wielkości >2 cm (występujące rocznie u ok. 10 000 pacjentów w samej Europie) stanowią poważne wyzwanie kliniczne. Podczas gdy mniejsze polipy można leczyć za pomocą rutynowej polipektomii endoskopowej, a jawny klinicznie rak rozwinie się w ramach tradycyjnego paradygmatu chirurgii onkologicznej, polipy tej wielkości można wyciąć miejscowo w stanie nienaruszonym przez przezodbytniczą resekcję endoskopową (określaną również jako przezodbytowa minimalnie inwazyjna chirurgia, TAMIS). Jest to leczenie z wyboru w tym ośrodku ze względu na możliwość dostarczenia pojedynczego kompletnego, nierozdrobnionego okazu w porównaniu z innymi metodami (np. endoskopowa resekcja podśluzówkowa). Podczas gdy technologia i szkolenia umożliwiające resekcję przezodbytniczą stały się znacznie bardziej dostępne w ciągu ostatniej dekady (zwłaszcza TAMIS), co oznacza, że ​​więcej pacjentów może mieć duże łagodne zmiany, a nawet niektóre wczesne raki odbytnicy wycięte w lokalnych ośrodkach specjalistycznych, obecnie główny hamulec takiej opieki jest selekcja pacjentów: czyli jak stwierdzić, czy dany pacjent ma łagodny polip czy nowotwór przed jego resekcją.

Biopsje endoskopowe są notorycznie niedokładne w przypadku do 20% takich zmian (raki odbytnicy rozpoczynają się najczęściej jako zmiany gruczolakowate, więc powierzchowne biopsje mogą nie uwzględniać ogniska złośliwego). Błędne rozpoznanie nowotworu jako zmiany łagodnej i leczenie poprzez miejscowe wycięcie znacznie pogarsza rokowanie i zagraża późniejszej operacji onkologicznej – w tym potencjalnie przekształcaniu nadającego się do rekonstrukcji miejsca resekcji (tj. wymagających resekcji brzuszno-kroczowej z trwałą kolostomią) oraz poprzez posianie komórek nowotworowych do głębokiego marginesu lub innej płaszczyzny, szczególnie jak w przypadku zmian położonych do przodu. Ponadto techniki wycinania przezodbytowego nadal charakteryzują się stosunkowo wysokimi wskaźnikami dodatnich marginesów; stwarza to ryzyko ponownego wzrostu w łagodnych zmianach i ogranicza skuteczną terapię miejscową raka we wczesnym stadium ze względu na obecność niewidocznej choroby w pobliżu głównej masy guza.

Wcześniej wykazaliśmy, stosując fluorescencyjną zieleń indocyjaninową (ICG), że perfuzja jest wyraźnie różna między tkanką nowotworową a zdrową. Tę różnicę można uchwycić za pomocą wideo w podczerwieni, a analiza matematyczna może odróżnić wzór perfuzji obszarów złośliwych od dowolnej łagodnej/normalnej tkanki, również widocznej w tym samym widoku endoskopowym. W skrócie, nasycenie fluorescencji w każdym obszarze zainteresowania (tj. guzie lub obszarze normalnej błony śluzowej) można zmierzyć na podstawie zarejestrowanego wideo przy użyciu istniejącego oprogramowania opracowanego przez IBM. Zmianę fluorescencji w czasie można wykreślić na krzywej, pokazującej napływ, szczyt i odpływ ICG, który zależy od wzorców perfuzji w obszarze zainteresowania. Krzywe te różnią się w zależności od badanej tkanki i dlatego można je wykorzystać do klasyfikowania guzów łagodnych od złośliwych poprzez obliczenie nachylenia wychwytu i pola powierzchni pod krzywą w celu zmierzenia odpływu. Dlatego w miejscu (takim jak odbytnica), w którym podejrzewa się raka, analiza wideo może być wykorzystana do odróżnienia tkanek zdrowych od rakowych. Odkrycie to można wykorzystać do użytku klinicznego, stosując metody sztucznej inteligencji, w tym widzenie komputerowe i uczenie maszynowe. Zasadniczo intensywność fluorescencji pikseli przedstawiających interesujące tkanki zmienia się wraz z przepływem krwi (perfuzją), gdy krew jest barwiona za pomocą ICG i oświetlana światłem bliskiej podczerwieni (NIR). Intensywność jest rejestrowana w czasie, z wielu klatek wideo, a ta intensywność jest wykreślana jako krzywa. Krzywe intensywności tkanki nowotworowej różnią się od krzywych zdrowej tkanki, a krzywe guzów łagodnych różnią się od guzów złośliwych. Analiza cech krzywych dla każdego piksela w interesującym regionie może zatem prowadzić do klasyfikacji.

Taki system sztucznej inteligencji został wcześniej opracowany i przeszkolony w szpitalu Mater przy użyciu nagrań wideo z populacji irlandzkich pacjentów z rakiem z dwóch ośrodków regionalnych, dzięki czemu może on automatycznie identyfikować złośliwe nowotwory i łagodne zmiany w zdrowej tkance na podstawie ich wzorców perfuzji. Ten prototyp wykazywał wcześniej dokładność >80%.

W tym badaniu weryfikujemy klinicznie podstawową koncepcję lub metodę klasyfikacji tkanek na podstawie charakterystyki sygnału fluorescencji, jednocześnie sprawdzając, czy na tej podstawie można zbudować urządzenie, które może ekstrapolować dane generowane z filmów wideo przez personel UCD. Odnosimy się również do kwestii uogólnień – czy inni chirurdzy mogą korzystać z systemu i uzyskiwać podobne wyniki w swoich konkretnych kohortach pacjentów? Utoruje to drogę do przyszłych badań, które mają na celu określenie roli biopsji (czy system umożliwia optymalny wybór biopsji tkanki, a tym samym zmniejszenie błędu biopsji?); i resekcji guza (czy system może zwiększyć kompletność i dokładność resekcji guza?).