Opracowanie modelu uczenia maszynowego do przewidywania zrostu opłucnej przedoperacyjnie za pomocą ultrasonografii opłucnej

Rak płuc jest obecnie najczęstszą przyczyną zgonów z powodu nowotworów złośliwych na całym świecie. Chirurgia jest podstawową metodą leczenia raka płuc, a przełomy w technikach chirurgii klatki piersiowej odgrywają kluczową rolę w diagnostyce i leczeniu raka płuc. Technologia ultrasonografii medycznej, ze względu na jej nieinwazyjną, elastyczną, wygodną i ekonomiczną charakterystykę, jest szeroko stosowana w praktyce klinicznej. Wraz z postępem technologii ultradźwiękowej i koniecznością stawienia czoła wyzwaniom klinicznym, w technologii obrazowania ultradźwiękowego nastąpił nowy rozwój w dziedzinie chirurgii torakoskopowej.

W dobie chirurgii małoinwazyjnej śródoperacyjne zrosty opłucnej są jednym z głównych czynników wpływających na wdrożenie torakoskopii wspomaganej wideo (VATS). Szczególnie w ramach koncepcji zwiększonej rekonwalescencji pooperacyjnej (ERAS) stopniowo kształtował się model chirurgii jednego dnia w przypadku VATS. Jednakże zrosty opłucnej znacznie zwiększają uraz śródoperacyjny i wydłużają pobyt w szpitalu. Dodatkowo zrosty opłucnej zwiększają ryzyko uszkodzenia płuc podczas VATS, a w ciężkich przypadkach mogą utrudniać dostęp do przestrzeni opłucnej, powodując konieczność przejścia na otwartą torakotomię. Zrosty opłucnej wydłużają czas śródoperacyjny i chorobowość w chirurgii klatki piersiowej z powodu słabej widoczności, krwawień oraz urazów płuc i naczyń. Obecność, lokalizacja i stopień zrostów opłucnej są przydatne do określenia początkowego umiejscowienia portu lub wyboru między podejściem otwartym a podejściem VATS. Dlatego dokładne przewidywanie obecności i specyficznej lokalizacji zrostów opłucnej przed operacją ma kluczowe znaczenie dla rozwoju chirurgii jednego dnia pod ERAS klatki piersiowej, zapewniając bezpieczeństwo i skuteczność przyszłych chirurgii jednego dnia VATS.

Poprzednie badania wykazały, że tomografia komputerowa klatki piersiowej jest trudna do przewidzenia zrostów opłucnej – jej czułość wynosi jedynie 72%, a czułość jedynie 46% w przypadku określania zrostów w określonych lokalizacjach. Natomiast ultrasonografia opłucnej (USP) może dynamicznie wyświetlać przesuwanie się opłucnej i zrosty z otaczającą tkanką płuc, a także umożliwia monitorowanie w czasie rzeczywistym w oparciu o ruch, zapewniając wyjątkowe korzyści w wykrywaniu zrostów opłucnej. Przedoperacyjne przewidywanie zrostów opłucnej za pomocą USP ma istotne znaczenie aplikacyjne. Badania wykazały już zalety stosowania przezklatkowego USG opłucnej w celu identyfikacji zrostów opłucnej. Nicola i in. przeprowadził 1192 badania ultrasonograficzne w celu przewidzenia zrostów opłucnej, potwierdzając 1124 przypadki pozytywne i 68 przypadków negatywnych, z czułością 80,6%, swoistością 96,1%, dodatnią wartością predykcyjną 73,2% i ujemną wartością predykcyjną 97,4%. Jednakże nadal istnieją pewne problemy związane ze stosowaniem USP do przewidywania zrostów opłucnej. Lekarze potrafiący rozpoznać zrosty opłucnej muszą zostać przeszkoleni w zakresie ultrasonografii płuc, a badanie i interpretacja ultrasonografii to techniki zależne od umiejętności. Ciężar szkolenia lekarzy wykonujących USG klatki piersiowej pozostaje wyzwaniem klinicznym.

Technologia trójwymiarowej splotowej sieci neuronowej (3D-CNN) to nowa technologia w dziedzinie sztucznej inteligencji i uczenia maszynowego. W przeciwieństwie do tradycyjnych splotowych sieci neuronowych (CNN), 3D-CNN może przetwarzać dane trójwymiarowe, które obejmują wymiar czasowy, dzięki czemu nadaje się do analizy dynamicznych cech obrazów ultradźwiękowych w czasie rzeczywistym. Technologia ta jest obiecująca w zakresie opracowania modelu uczenia maszynowego do interpretacji obrazów USP, potencjalnie zastępując interpretację lekarza i poprawiając dokładność USP w identyfikacji zrostów opłucnej.

Podsumowując, w niniejszym badaniu zamierzono wykorzystać USP do przedoperacyjnej identyfikacji zrostów opłucnej u pacjentów zakwalifikowanych do operacji VATS. Jego celem jest zbadanie dokładności USP w przewidywaniu śródoperacyjnych zrostów opłucnej oraz opracowanie modelu diagnostycznego wykorzystującego technologię 3D-CNN do przetwarzania obrazów i danych wideo związanych z USP na potrzeby uczenia maszynowego. W badaniu zbadana zostanie czułość, swoistość, dodatnia i ujemna wartość predykcyjna modelu 3D-CNN-USP w identyfikacji zrostów opłucnej. Ponadto zbadana zostanie wykonalność i skuteczność wykorzystania 3D-CNN-USP do przedoperacyjnej identyfikacji zrostów opłucnej w celu wsparcia wdrażania chirurgii jednego dnia w chirurgii klatki piersiowej.