Intraoperacyjny ultrasonograf w chirurgii guzów mózgu wspomagany sztuczną inteligencją (BrainUS-AI)

Operacja guza mózgu stanowi poważne wyzwanie ze względu na złożoną anatomię mózgu oraz naciekający charakter tych zmian, które często zlokalizowane są w pobliżu obszarów kluczowych funkcjonalnie. Jednym z kluczowych czynników determinujących przeżycie pacjenta jest zakres resekcji guza, pod warunkiem że można go osiągnąć bez naruszenia funkcji neurologicznych 1. Aby zmaksymalizować bezpieczną resekcję, neurochirurdzy polegają na różnych narzędziach śródoperacyjnych, w tym środkach fluorescencyjnych, neuromawigacji, bezpośredniej stymulacji elektrycznej oraz zaawansowanych technikach obrazowania śródoperacyjnego, w szczególności śródoperacyjnym rezonansie magnetycznym (ioMRI) oraz śródoperacyjnym ultrasonografie (ioUS) 2.

Chociaż ioMRI oferuje doskonałą rozdzielczość i dokładność, jego wysoki koszt, wymagania logistyczne oraz złożoność integracji ograniczają jego dostępność do niewielkiej liczby wyspecjalizowanych ośrodków 3. Natomiast ioUS jest niedrogą, wszechstronną modalnością, która naturalnie integruje się z przebiegiem operacji 4-6. Niemniej jednak, szersze jego przyjęcie zostało ograniczone przez kilka czynników: wysoką zależność od operatora, stromą krzywą uczenia się oraz trudności w interpretacji związane z artefaktami, niestandardowymi płaszczyznami obrazowania, niskim kontrastem między guzem a zdrową tkanką mózgu oraz ograniczonym polem widzenia.

W ciągu ostatnich dziesięcioleci badania nad segmentacją guzów mózgu opartą na sztucznej inteligencji znacznie się rozwinęły, jednak większość prac skupiała się na MRI 7. W kontekście ioUS, wczesne badania, takie jak Ritschel i in. 8, wykazały, że nadzorowane modele klasyfikacyjne (np. maszyny wektorów nośnych) mogą odróżnić guz od zdrowej tkanki w ultrasonografii z kontrastem, ale podejścia te były pracochłonne i ograniczone do małych zbiorów danych. Ilunga-Mbuyamba i in. 9 później badali multimodalną rejestrację między ioUS a MRI w celu poprawy segmentacji, ale wykonalność kliniczna była ograniczona przez konieczność dokładnej korejestracji. Bardziej niedawno, podejścia oparte na głębokim uczeniu się autorstwa Canalini i in. 10 oraz Carton i in. 11 zostały zastosowane do segmentacji jam pooperacyjnych i objętości guza w obrazach ioUS.

Najnowocześniejsze metody, takie jak te zgłoszone przez Faanes i in. 12, wykorzystujące architektury nnU-Net, osiągnęły obiecujące współczynniki podobieństwa Dice'a wynoszące 0,6-0,9 na publicznych zbiorach danych, takich jak RESECT-SEG 13 i ReMIND 14. Jednak modele te nie były zaprojektowane do wnioskowania w czasie rzeczywistym i nie przeszły walidacji w warunkach żywej operacji. Inne podejścia, takie jak Dorent i in. 15, opierały się na syntetycznych obrazach ultrasonograficznych pochodzących z przedoperacyjnego MRI, budząc obawy dotyczące uogólnialności na rzeczywiste dane ioUS. Ogólnie rzecz biorąc, pomimo tych postępów, translacja kliniczna pozostaje ograniczona ze względu na unikalne wyzwania związane z ioUS, w tym niższą rozdzielczość przestrzenną, heterogeniczność obrazu oraz zmienność protokołów akwizycji.

W innych dziedzinach medycyny, segmentacja ultrasonograficzna wspomagana sztuczną inteligencją wykazała wykonalność w czasie rzeczywistym. Na przykład, Hu i in. 16 zaimplementowali modele oparte na U-Net do segmentacji zmian w piersi z prędkością 16 klatek na sekundę (FPS) ze wskaźnikami Dice'a przekraczającymi 0,75, podczas gdy Wei i in. 17 zastosowali detekcję opartą na YOLO do identyfikacji blaszek miażdżycowych w tętnicach szyjnych z dokładnością 98,5% przy 39 FPS. Pomimo ich efektywności i dokładności, podobne podejścia nie zostały jeszcze wdrożone i zwalidowane klinicznie dla operacji guzów mózgu przy użyciu ioUS.

Nasz projekt ma na celu wypełnienie tej luki poprzez przeprowadzenie wieloośrodkowej, prospektywnej, nierandomizowanej walidacji prototypowego modelu segmentacji opartego na głębokim uczeniu się, zaprojektowanego specjalnie do czasu rzeczywistego śródoperacyjnego ultrasonografu guzów mózgu. Model działa z prędkością klatek operacyjnych, automatycznie wyznaczając granice guza bezpośrednio na żywym strumieniu ultrasonograficznym, z celem wspomagania śródoperacyjnego podejmowania decyzji, maksymalizacji zakresu resekcji, gdy jest to onkologicznie uzasadnione, oraz zachowania funkcji neurologicznych.

Niniejsze badanie opiera się na naszej wcześniejszej pracy, która stworzyła solidne podstawy naukowe dla proponowanej walidacji. W naszej niedawnej publikacji, „Głębokie uczenie się do segmentacji glejaka w 2D śródoperacyjnych obrazach ultrasonograficznych: wieloośrodkowe badanie z wykorzystaniem bazy danych śródoperacyjnego ultrasonografu guzów mózgu (BraTioUS)” 18, wytrenowaliśmy i zwalidowaliśmy model głębokiego uczenia do segmentacji guzów mózgu przy użyciu danych wieloośrodkowych z BraTioUS-DB – co stanowi kamień milowy w badaniach nad ioUS. W drugim badaniu, „Wykrywanie guza mózgu w czasie rzeczywistym w śródoperacyjnym ultrasonografie: od trenowania modelu do wdrożenia na sali operacyjnej” 19, opracowaliśmy i prospektywnie oceniliśmy model detekcji wizji komputerowej w czasie rzeczywistym na sali operacyjnej. Razem, te osiągnięcia zapewniają solidne ramy dla rozwoju segmentacji w czasie rzeczywistym opartej na sztucznej inteligencji w śródoperacyjnym ultrasonografie, bezpośrednio zgodne z celami niniejszego badania.