Estudo sobre o método de classificação da linfografia de indocianina verde com base em aprendizado profundo (BCRL；ICG)

O linfedema relacionado ao câncer de mama (BCRL) é a complicação mais comum após a cirurgia de câncer de mama, o que traz uma pesada carga psicológica e espiritual para os pacientes. Por muito tempo, o diagnóstico e tratamento do linfedema foi um ponto difícil nas pesquisas nacionais e estrangeiras. Em grande parte, é porque a maioria dos pacientes que procuram um médico já desenvolveu linfedema óbvio e os vasos linfáticos internos sofreram remodelação patológica[1] Portanto, é particularmente importante detectar linfedema precocemente e intervir a tempo através do uso de ferramentas de triagem sensíveis. A linfangiografia com indocianina verde (ICG) é um método relativamente novo, que pode exibir o fluxo linfático superficial em tempo real e rapidamente, e não será afetado pela radioatividade [7]. Em 2007, a linfografia com verde de indocianina foi utilizada pela primeira vez para avaliar a função dos vasos linfáticos superficiais. Em 2011, estudiosos japoneses encontraram sinais de refluxo cutâneo com base em dados de linfografia ICG de 20 pacientes com linfedema após cirurgia de câncer de mama, e eles foram divididos em três tipos de acordo com sua gravidade: salpico, aglomerado de estrelas e difuso (Figura 1) [8 ]. Mais tarde, em 2016, um estudo prospectivo envolvendo 196 pessoas afirmou o valor da linfografia ICG no diagnóstico precoce do linfedema, e tornou as imagens da linfografia ICG mais específicas estágios 0-5 [9], mas o estadiamento ainda é baseado nos três tipos de sintomas de refluxo cutâneo encontrados em um pequeno estudo clínico de amostra em 2011, que não é completamente aplicável em aplicações clínicas reais. Além disso, quando sintomas anormais de refluxo cutâneo aparecem na linfangiografia ICG, as alterações fisiopatológicas que ocorrem no corpo carecem de pesquisa e exploração. Portanto, esta pesquisa espera refinar os recursos de imagem da linfografia ICG por meio de aprendizado de máquina (aprendizagem profunda) e estabelecer um modelo PKUPH para diagnosticar o linfedema precoce por meio do estadiamento dos recursos de imagem.