Analiza wideo śródoperacyjna z wykorzystaniem podwójnego znacznika węzłów wartowniczych oparta na głębokim uczeniu do przewidywania przerzutów w cN0 raku brodawkowatym tarczycy

TŁO I UZASADNIENIE:

Rak brodawkowaty tarczycy (PTC) jest jednym z najszybciej rozwijających się nowotworów na świecie. Głównym wyzwaniem w leczeniu PTC jest to, że u 30% do 80% pacjentów, którzy przed operacją wydają się nie mieć zajęcia węzłów chłonnych (klinicznie ujemni węzłowo, czyli cN0), faktycznie występuje ukryte (okultystyczne) rozprzestrzenienie się raka do ich węzłów chłonnych. Obecne metody obrazowania, takie jak ultrasonografia, często nie wykrywają tych małych obszarów rozprzestrzeniania się raka.

Stwarza to trudną decyzję dla chirurgów: usunięcie zbyt wielu węzłów chłonnych zwiększa ryzyko powikłań, takich jak uszkodzenie przytarczyc (które kontrolują poziom wapnia) oraz nerwów kontrolujących głos. Jednak usunięcie zbyt małej liczby węzłów chłonnych może pozostawić raka, co może prowadzić do nawrotu choroby.

Mapowanie węzła wartowniczego (SLN) to technika identyfikująca pierwsze węzły chłonne, do których spływa chłonka z guza. Idea polega na tym, że jeśli rak rozprzestrzenia się przez układ limfatyczny, najpierw dotrze do tych węzłów wartowniczych. Jednak obecne metody pojedynczego znacznika do mapowania SLN w raku tarczycy mają ograniczenia i zmienne wyniki.

To badanie wykorzystuje podejście z podwójnym znacznikiem, które łączy dwa różne barwniki:

1. Cząsteczki nanocząstek węgla (CN): Zapewniają one trwałe czarne zabarwienie, które pomaga chirurgom wyraźnie widzieć węzły chłonne.
2. Zieleń indocyjaninowa (ICG): Ten barwnik świeci w świetle bliskiej podczerwieni, umożliwiając wizualizację przepływu limfy w czasie rzeczywistym.

Łącząc te dwa znaczniki, chirurdzy mogą zobaczyć zarówno strukturę węzłów chłonnych, jak i sposób, w jaki płyn limfatyczny przepływa przez nie w czasie.

PROJEKT BADANIA:

Jest to prospektywne, jednocentrowe, obserwacyjne badanie kohortowe. Badanie nie zmienia leczenia chirurgicznego, które otrzymują uczestnicy. Wszyscy uczestnicy przechodzą standardową operację raka tarczycy z usunięciem węzłów chłonnych zgodnie z decyzją ich zespołu chirurgicznego.

PROCEDURY BADANIA:

1. Ocena przedoperacyjna:

   Wszyscy uczestnicy przechodzą standardową ocenę przedoperacyjną, w tym:

   • Badanie fizykalne
   • Ultrasonografię tarczycy ze szczegółową oceną węzłów chłonnych
   • Biopsję aspiracyjną cienkoigłową w celu potwierdzenia rozpoznania PTC
   • Badania genetyczne pod kątem częstych mutacji (takich jak BRAF)
   • Standardowe badania krwi

2. Procedura chirurgiczna:

   Podczas operacji uczestnicy otrzymują iniekcję podwójnego znacznika pod kontrolą ultrasonografii. Iniekcja jest podawana w wielu punktach wokół guza tarczycy. Specyficzne przygotowanie to:

   • 0,1 ml roztworu ICG (stężenie: 2,5 mg/ml)
   • 0,1 ml zawiesiny nanocząstek węgla (stężenie: 50 mg/ml) Są one mieszane razem i wstrzykiwane przy użyciu precyzyjnej techniki wielopunktowej.

3. Nagrywanie wideo:

   System obrazowania fluorescencji w bliskiej podczerwieni rejestruje cały proces wizualizacji węzłów chłonnych. Nagranie rejestruje:

   • Jak barwniki rozprzestrzeniają się przez kanały limfatyczne
   • Kiedy każdy węzeł chłonny po raz pierwszy staje się widoczny
   • Jak sygnał fluorescencji zmienia się w czasie
   • Wzorzec drenażu limfatycznego

   Filmy są nagrywane w wysokiej rozdzielczości (1920 × 1080 pikseli) z prędkością około 30 klatek na sekundę. Z każdego filmu wyodrębniany jest ustandaryzowany 3-minutowy segment do analizy, dostarczając 150 klatek na pacjenta.

4. Decyzje chirurgiczne:

   Węzeł wartowniczy (pierwszy węzeł, który się rozświetla) jest usuwany i wysyłany do natychmiastowej analizy na przekroju zamrożonym. Na podstawie standardowych kryteriów chirurdzy decydują, czy wykonać:

   • Ipsilateralną centralną limfadenektomię (usunięcie węzłów chłonnych po tej samej stronie co guz)
   • Limfadenektomię boczną (jeśli spełnione są określone kryteria)
   • Kontralateralną dyssekcję centralną (usunięcie węzłów chłonnych po przeciwnej stronie)

   Decyzje te są zgodne ze standardowym protokołem chirurgicznym w naszej instytucji i nie są wpływane przez przewidywania uczenia głębokiego.

5. Badanie patologiczne:

Wszystkie usunięte węzły chłonne są badane przez patologów w celu określenia:

• Czy węzeł wartowniczy zawiera raka (status SLNM)
• Czy węzły chłonne drugiego rzutu zawierają raka (SeLNM)
• Czy niewartownicze węzły chłonne zawierają raka (NsLNM)
• Liczby i lokalizacji wszystkich dodatnich węzłów chłonnych

ZBIERANIE I ANALIZA DANYCH:

Dane kliniczne (32 zmienne):

• Dane demograficzne: wiek, płeć, wskaźnik masy ciała (BMI)
• Cechy ultrasonograficzne: wielkość guza, lokalizacja, marginesy, wzory zwapnień, współczynnik proporcji, klasyfikacja TI-RADS
• Cechy patologiczne: wieloogniskowość, ekstratyreoidalne rozprzestrzenienie, inwazja torebki
• Dane genetyczne: status mutacji BRAF i inne istotne mutacje

Analiza wideo:

Dwóch doświadczonych chirurgów (każdy z ponad 10-letnim doświadczeniem) ręcznie identyfikuje i obrysowuje regiony zainteresowania (węzły wartownicze) w każdej klatce wideo. Tworzy to 19 650 obrazów masek dla wszystkich uczestników.

Ekstrakcja cech:

System uczenia głębokiego wyodrębnia wiele rodzajów cech:

Cechy przestrzenne (2048 wymiarów):

• Cechy obrazu z wstępnie wytrenowanej sieci neuronowej (EfficientNet-B5)
• Charakterystyki skali szarości
• Cechy kształtu i morfologiczne
• Deskryptory momentów Hu (matematyczne opisy kształtu)

Cechy czasowe (20 wymiarów):

• Różnice między klatkami pokazujące, jak zmienia się obraz
• Pomiary przepływu optycznego pokazujące wzorce ruchu
• Zmiany intensywności fluorescencji w czasie
• Pomiary prędkości przepływu w określonych punktach czasowych

MODELE UCZENIA GŁĘBOKIEGO:

Opracowano i porównano dziewięć różnych architektur uczenia głębokiego:

1. Splotowa sieć neuronowa (CNN): Wyodrębnia lokalne cechy przestrzenne z obrazów
2. Sieć LSTM (Long Short-Term Memory): Przechwytuje wzorce w danych szeregów czasowych
3. CNN + LSTM: Łączy ekstrakcję cech przestrzennych i czasowych
4. CNN + LSTM + Attention: Dodaje mechanizm uwagi, aby skupić się na ważnych punktach czasowych
5. Transformer: Wykorzystuje samouwagi do przechwytywania globalnych wzorców w danych sekwencyjnych
6. Crossformer: Specjalistyczna architektura do analizy szeregów czasowych
7. 3D-CNN: Przetwarza dane wideo jako trójwymiarowe objętości
8. LSTM + Transformer: Model hybrydowy łączący mocne strony LSTM i Transformer
9. LSTM + Crossformer: Model hybrydowy łączący mocne strony LSTM i Crossformer

Wszystkie modele wykorzystują:

• Funkcję straty binarnej entropii krzyżowej
• Optymalizator Adam do trenowania
• Augmentację danych (obrót, skalowanie, wstrzykiwanie szumu) w celu zapobiegania przeuczeniu
• Ważone funkcje straty do radzenia sobie z nierównowagą klas
• Regularyzację dropout

OCENA MODELU:

Modele są oceniane przy użyciu 10-krotnej stratyfikowanej walidacji krzyżowej, zapewniając zrównoważony rozkład wyników w zestawach treningowych i testowych. Metryki wydajności obejmują:

• Pole pod krzywą ROC (AUC): Mierzy ogólną zdolność dyskryminacji
• Dokładność: Procent poprawnych przewidywań
• Czułość: Zdolność do prawidłowego identyfikowania pacjentów z przerzutami
• Swoistość: Zdolność do prawidłowego identyfikowania pacjentów bez przerzutów
• Wartość predykcyjna dodatnia: Prawdopodobieństwo, że pozytywne przewidywanie jest poprawne
• Wartość predykcyjna ujemna: Prawdopodobieństwo, że negatywne przewidywanie jest poprawne
• Wynik F1: Równowaga między precyzją a czułością
• Wynik Brier: Kalibracja przewidywanych prawdopodobieństw

Dodatkowe analizy obejmują:

• Analizę krzywej decyzyjnej w celu oceny użyteczności klinicznej
• Krzywe kalibracji w celu sprawdzenia wiarygodności przewidywań
• Krzywe uczenia w celu oceny przeuczenia
• Test DeLonga do statystycznego porównania między modelami
• Podejście do rankingu modeli oparte na prawdopodobieństwie (PMRA)

INTERPRETOWALNOŚĆ MODELU:

Aby zrozumieć, w jaki sposób model dokonuje przewidywań, używamy analizy SHAP (SHapley Additive exPlanations). Ta technika:

• Identyfikuje, które cechy w największym stopniu przyczyniają się do przewidywań
• Pokazuje, jak każda cecha wpływa na indywidualne przewidywania
• Ujawnia, czy model opiera się na klinicznie znaczących czynnikach
• Zapewnia przejrzystość w „czarnej skrzynce” uczenia głębokiego

WYNIKI:

Wyniki pierwotne:

1. Przerzut do węzłów chłonnych drugiego rzutu (SeLNM): Rozprzestrzenienie się raka do węzłów chłonnych poza węzłem wartowniczym w ścieżce drenażowej
2. Przerzut do niewartowniczych węzłów chłonnych (NsLNM): Rozprzestrzenienie się raka do jakiegokolwiek węzła chłonnego innego niż węzeł wartowniczy

Oba wyniki są określane na podstawie ostatecznego badania patologicznego chirurgicznie usuniętej tkanki (złoty standard).

Wyniki drugorzędne:

• Metryki wydajności modelu (AUC, czułość, swoistość itp.)
• Rankingi ważności cech z analizy SHAP
• Porównanie architektur modeli

ZAGADNIENIA STATYSTYCZNE:

Wielkość próby:

Na podstawie obliczeń mocy zakładających:

• Alfa = 0,05 (poziom istotności)
• Moc = 0,80
• Oczekiwaną różnicę czułości 20% między metodami
• Oczekiwaną częstość występowania przerzutów do węzłów chłonnych na poziomie 50%

Obliczono minimum 335 uczestników. Ze względu na ścisłe kryteria włączenia i wymagania dotyczące jakości wideo, 131 uczestników z pełnymi, wysokiej jakości danymi zostało włączonych do ostatecznej analizy.

Metody statystyczne:

• Statystyki opisowe dla cech wyjściowych
• Test chi-kwadrat lub dokładny Fishera dla zmiennych kategorycznych
• Test Manna-Whitneya U dla zmiennych ciągłych
• Test DeLonga do porównania wartości AUC między modelami
• 95% przedziały ufności dla wszystkich metryk wydajności

OBSERWACJA:

Podczas gdy podstawowa analiza koncentruje się na przewidywaniu śródoperacyjnym, uczestnicy są obserwowani zgodnie ze standardowymi protokołami opieki klinicznej. Długoterminowe wyniki, w tym przeżycie bez nawrotu, mogą być analizowane w przyszłych badaniach.

ZAGADNIENIA ETYCZNE:

Badanie zostało zatwierdzone przez Komisję Etyki Pierwszego Szpitala Afiliowanego Uniwersytetu Medycznego w Chongqing (nr zatwierdzenia: 2023-322). Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed rekrutacją.

Badanie stwarza minimalne dodatkowe ryzyko dla uczestników, ponieważ:

• Iniekcja podwójnego znacznika wykorzystuje środki już zatwierdzone do użytku klinicznego
• Nagrywanie wideo jest nieinwazyjne i nie wpływa na decyzje chirurgiczne
• Wszystkie decyzje chirurgiczne są podejmowane zgodnie ze standardowymi protokołami
• Analiza uczenia głębokiego jest przeprowadzana retrospektywnie i nie wpływa na leczenie

POTENCJALNY WPŁYW:

W przypadku sukcesu to podejście może:

1. Pomóc chirurgom w podejmowaniu bardziej świadomych decyzji dotyczących zakresu usunięcia węzłów chłonnych
2. Zmniejszyć niepotrzebne rozległe operacje u pacjentów niskiego ryzyka
3. Zapewnić odpowiednią operację u pacjentów wysokiego ryzyka, którzy w przeciwnym razie mogliby być niedostatecznie leczeni
4. Zapewnić wsparcie decyzyjne w czasie rzeczywistym, obiektywne podczas operacji
5. Standaryzować interpretację mapowania limfatycznego między różnymi chirurgami i ośrodkami
6. Służyć jako narzędzie szkoleniowe dla mniej doświadczonych chirurgów

OGRANICZENIA:

• Badanie jednocentrowe, co może ograniczać możliwość uogólnienia
• Stosunkowo mała wielkość próby ze względu na ścisłe wymagania jakościowe
• Ręczna adnotacja regionów zainteresowania może wprowadzać zmienność
• Modele uczenia głębokiego wymagają walidacji w zewnętrznych kohortach
• Implementacja w czasie rzeczywistym podczas operacji wymaga dalszego rozwoju

KIERUNKI NA PRZYSZŁOŚĆ:

• Walidacja zewnętrzna w wielu ośrodkach
• Opracowanie oprogramowania do przewidywania w czasie rzeczywistym do użytku śródoperacyjnego
• Integracja z innymi modalnościami obrazowania
• Prospektywne badania interwencyjne w celu oceny korzyści klinicznych chirurgii wspomaganej przez AI