Ocena czynności płuc pooperacyjnej w oparciu o badanie głębokiego uczenia

Poprawy w niskodawkowej tomografii komputerowej (CT) prowadziły do wzrostu liczby wczesnych rozpoznań niedrobnokomórkowego raka płuca (NSCLC), przy czym resekcja chirurgiczna – zwykle lobektomia lub segmentektomia – pozostaje główną opcją leczniczą o charakterze radykalnym. W Hongkongu jednak pacjenci często mają choroby współistniejące, takie jak przewlekłe choroby układu oddechowego lub problemy sercowo-naczyniowe, co sprawia, że zachowanie zdrowej tkanki płucnej ma kluczowe znaczenie dla ich długoterminowej jakości życia. Tradycyjna resekcja chirurgiczna, taka jak lobektomia lub segmentektomia, ma pewne ograniczenia pod względem zachowania funkcji. W przeciwieństwie do tego, robotyczna/nawigacyjna ablacja bronchoskopowa pojawiła się w ostatnich latach jako nowa, minimalnie inwazyjna strategia leczenia endoskopowego. To podejście zostało wdrożone w wybranych ośrodkach i wykazuje potencjalne zalety, w tym szybszy powrót do zdrowia po operacji, zmniejszoną traumę i lepsze zachowanie czynności płuc. Wykorzystując zaawansowane systemy nawigacyjne, ablacja bronchoskopowa umożliwia precyzyjną lokalizację i ablację guzków płucnych, unikając rozległej resekcji zdrowej tkanki płucnej wymaganej w tradycyjnej chirurgii. Korzyści te dają nadzieję na poprawę długoterminowej jakości życia i przeżywalności pacjentów.

Ponadto konwencjonalne testy czynnościowe płuc, takie jak FEV₁ i zdolność dyfuzyjna płuc dla tlenku węgla, dostarczają jedynie ogólnej oceny wydolności oddechowej, co może nie w pełni odzwierciedlać regionalnych zmian w czynności płuc występujących po segmentektomii lub lobektomii. Podobnie podstawowa wolumetria CT pomija drobniejsze szczegóły anatomiczne, takie jak segmentalny rozkład dróg oddechowych, sieci mikronaczyniowe i miejscową podatność pęcherzyków płucnych. Ponadto obecnie brakuje bezpośrednich badań porównawczych między robotyczną/nawigacyjną ablacją bronchoskopową a tradycyjną resekcją chirurgiczną dotyczących pooperacyjnej czynności płuc i wyników długoterminowych. Wspierane przez Radę ds. Grantów Badawczych, nasze prace od 2019 roku potwierdziły wykonalność i bezpieczeństwo tej techniki, prowadząc do powszechnego uznania i licznych publikacji. Jednak większość istniejących badań ma charakter retrospektywny lub pochodzi z danych z pojedynczych ośrodków, z głównym naciskiem na krótkoterminowe bezpieczeństwo i wykonalność techniczną.

Aby przezwyciężyć te ograniczenia, zaproponowano podejście integracyjne wykorzystujące obrazowanie 3D-CT i uczenie maszynowe (ML). Uczenie maszynowe to technologia wykorzystująca algorytmy do automatycznego uczenia się na podstawie danych oraz podejmowania prognoz lub decyzji. Uczenie głębokie, będące poddziedziną ML, wykorzystuje wielowarstwowe sieci neuronowe do skutecznego wyodrębniania cech i rozpoznawania wzorców w złożonych, wielowymiarowych danych. ML, a w szczególności DL, wykazało niezwykły potencjał w różnych zastosowaniach obrazowania medycznego, w tym w wykrywaniu zmian, segmentacji tkanek i prognozowaniu wyników. Automatycznie ucząc się złożonych wzorców w wielowymiarowych danych, modele ML i DL mogą interpretować subtelne cechy radiologiczne, które mogą być pominięte w konwencjonalnych analizach. W kontekście obrazowania 3D-CT w przypadku NSCLC, architektury DL – takie jak konwolucyjne sieci neuronowe – mogą wyodrębniać szczegółowe cechy z obrazów wolumetrycznych, umożliwiając solidną kwantyfikację wielkości, kształtu i lokalizacji guza oraz udoskonaloną ocenę miąższu płuc. Po zintegrowaniu z parametrami czynności płuc i danymi klinicznymi, te algorytmy stanowią potężne narzędzie do generowania modeli predykcyjnych, wcześniejszego identyfikowania pacjentów zagrożonych i ukierunkowania indywidualnego planowania leczenia. Ponadto, podejścia oparte na ML mogą dostosowywać się do rozwijających się zestawów danych w czasie, ciągle udoskonalając i poprawiając swoją wydajność. Ta skalowalność i adaptacyjność są szczególnie cenne w badaniach prospektywnych, gdzie gromadzone są duże, multimodalne zbiory danych w celu oceny długoterminowego wpływu różnych strategii leczenia. W związku z tym, włączenie ML i DL do tych badań nie tylko zwiększa precyzję prognozowania wyników, ale także przyczynia się do ustandaryzowania ram dynamicznej, spersonalizowanej oceny czynności płuc, kierując bardziej świadomym podejmowaniem decyzji klinicznych.

Głównym celem tego badania jest ustalenie, czy segmentektomia rzeczywiście zapewnia lepsze zachowanie funkcji niż lobektomia, czy robotyczna/nawigacyjnie prowadzona ablacja bronchoskopowa faktycznie osiąga lepsze zachowanie czynności płuc w porównaniu z tradycyjną resekcją chirurgiczną oraz w jakich konkretnych warunkach pacjenta każde podejście może przynieść największe korzyści. Przeprowadzając prospektywne, dobrze zaprojektowane badanie, badania wypełnią istotną lukę w dowodach dotyczących długoterminowych wyników funkcjonalnych, dostarczając wyraźniejszych kryteriów do wyboru najbardziej odpowiedniego typu resekcji. Ponadto wprowadzenie ustandaryzowanego, integracyjnego narzędzia oceny ma potencjał do optymalizacji podejmowania decyzji chirurgicznych i opieki pooperacyjnej, ostatecznie poprawiając przeżywalność i jakość życia pacjentów z wczesnym NSCLC w Hongkongu i potencjalnie informując o najlepszych praktykach w innych kontekstach opieki zdrowotnej.