HSI para identificação do plano intersegmentar durante ressecções pulmonares sublobares (HYPER-Seg)

O câncer de pulmão é a principal causa de morte relacionada ao câncer em todo o mundo. Devido à generalização das estratégias de rastreamento, principalmente para populações de risco, um número crescente de casos de câncer de pulmão são detectados em estágio inicial. Nesse sentido, o câncer de pulmão também é cada vez mais diagnosticado em pacientes com função pulmonar prejudicada. Para preservar a função pulmonar e reduzir a incidência de complicações, as segmentectomias pulmonares são atualmente avaliadas nesta coorte. Assim, a versão mais recente da diretriz alemã para a prevenção, diagnóstico, tratamento e acompanhamento do câncer de pulmão recomenda a segmentectomia para pacientes com função pulmonar prejudicada no tumor estágio I/II. No entanto, a identificação do plano intersegmentar - etapa fundamental da segmentectomia - permanece desafiadora. O reconhecimento impreciso do plano intersegmentar pode levar à disfunção do tecido pulmonar remanescente, incompatibilidade da ventilação ou do fluxo sanguíneo ou vazamento de ar prolongado após a cirurgia, o que requer até uma cirurgia secundária não planejada. A indocianina verde (ICG) é um dos mais recentes métodos de identificação avaliados e é considerado padrão-ouro. A Imagem Hiperespectral (HSI) - uma técnica de imagem intraoperatória recentemente estabelecida - permite uma avaliação não invasiva da perfusão tecidual e a discriminação do tecido pulmonar com diferentes perfusões teciduais durante segmentectomias.

O objetivo deste estudo IDEAL estágio 2b prospectivo, de centro único e de não inferioridade é a identificação do plano intersegmentar e a navegação durante ressecções pulmonares sublobares no câncer de pulmão usando imagens hiperespectrais, a comparação com a identificação do plano intersegmentar de fluorescência ICG e o estabelecimento de navegação plana intersegmentar automática usando estratégias de aprendizado de máquina para navegação intraoperatória.

Para resolver isso, o plano intersegmentar será detectado por HSI e ICG-fluorescência durante segmentectomias pulmonares e a correspondência dos dois métodos de identificação será comparada entre si. Usando estratégias de aprendizado de máquina, a detecção de tecido pulmonar perfundido e não perfundido e o plano intersegmentar serão analisados. Finalmente, os investigadores estudarão o rastreamento de movimento para a melhoria de futuras ilustrações HSI durante a cirurgia.

A hipótese deste estudo é que o HSI poderia melhorar a navegação intraoperatória durante as segmentectomias pulmonares, fornecendo uma identificação do plano intersegmentar tão confiável quanto o padrão-ouro da fluorescência verde de indocianina. Neste caso, a aplicação intravenosa de corante fluorescente não seria mais necessária para a identificação do plano intersegmentar.

No caso de ressecção de segmentos complexos, é necessária uma grande quantidade ou uso repetido de ICG devido ao seu curto tempo de circulação pulmonar. O uso múltiplo de ICG pode resultar na entrada do ICG no tecido pulmonar alvo através da circulação brônquica e aumenta o risco de reações adversas ao medicamento do ICG. Em contraste, as vantagens do HSI seriam uma medição mais rápida e repetitiva durante a cirurgia. Haverá um potencial para reduzir o tempo total de medição durante a dissecção do plano intersegmentar (10 segundos vs. 3 minutos/medição) e, consequentemente, a sobrecarga do paciente. Nesse contexto, vários estudos de medição de perfusão baseada em HSI durante cirurgia esofágica ou colorretal já mostraram um melhor resultado dos pacientes. Além disso, HSI pode ser usado para cirurgia em pacientes com hipertireoidismo ou insuficiência renal ou hepática.

A fim de apoiar esta hipótese, um desenho de estudo prospectivo de não inferioridade será usado neste estudo. Para garantir a qualidade da aquisição de dados e relatórios, o estudo será conduzido de acordo com as diretrizes de relatórios IDEAL. Durante as segmentectomias pulmonares, o plano intersegmentar será identificado por fluorescência HSI e ICG. A margem intersegmentar HSI determinada será comparada com a fluorescência ICG real e a viabilidade e reprodutibilidade do mapeamento HSI e ICG serão estudadas.

Os métodos de aprendizado de máquina melhoraram muito a interpretação de padrões sutis em dados de imagens médicas. As redes neurais convolucionais (CNNs) podem ser consideradas o estado da arte para classificação e segmentação de imagens médicas. Os investigadores irão estender os métodos baseados em CNN para classificação HSI e, particularmente, estudar a diferenciação baseada em patch entre tecido perfundido e não perfundido usando dados ICG e HSI adquiridos na mesma posição. Um outro desafio é a aquisição relativamente lenta do HSI (10 segundos/medição), o que o torna propenso a artefatos de movimento, por exemplo, devido ao movimento pulsátil. Para resolver isso, os investigadores estudarão o rastreamento de movimento, que também é relevante para a futura ilustração do limite do segmento durante a cirurgia.

Abordagens de aprendizado de máquina e particularmente CNNs permitem otimizar diretamente os classificadores com base em dados clínicos reais e a dimensão espectral pode ser tratada de maneira direta. Além disso, como um método versátil para processamento de imagens, as CNNs também podem ser usadas para localização e compensação de movimento durante imagens intraoperatórias, por exemplo, elas podem ser treinadas para detectar recursos de imagem e seu movimento em fluxos de imagem vermelho/verde/azul. Isso é interessante para a aquisição de dados HSI proposta, que se baseia em uma sequência de medições sensíveis ao movimento do tecido.