CLASSICA: Validando a IA na Classificação do Câncer em Cirurgia em Tempo Real Estudo 1

Pólipos retais >2cm de tamanho (afetando cerca de 10.000 pacientes por ano somente na Europa) representam um desafio clínico considerável. Embora pólipos menores possam ser tratados por polipectomia endoscópica de rotina e o câncer clínico franco avance através de um paradigma tradicional de cirurgia de câncer, pólipos desse tamanho têm a opção de serem excisados ​​localmente, intactos por ressecção endoscópica transanal (também conhecida como cirurgia minimamente invasiva transanal, TAMIS). Este é o tratamento de escolha neste local devido à sua capacidade de fornecer uma única amostra completa não fragmentada versus outras modalidades (por exemplo, ressecção endoscópica da submucosa). Embora a tecnologia e o treinamento para permitir a ressecção transanal tenham se tornado muito mais disponíveis na última década (especialmente TAMIS), o que significa que mais pacientes podem ter grandes lesões benignas e até mesmo alguns cânceres retais precoces extirpados em seus centros especializados locais, o principal freio agora em tais cuidados é a seleção do paciente: ou seja, como saber se um determinado paciente tem um pólipo benigno ou um câncer antes de sua ressecção.

As biópsias endoscópicas são notoriamente imprecisas em até 20% dessas lesões (os cânceres retais começam mais frequentemente como lesões adenomatosas e, portanto, as biópsias superficiais podem perder um foco maligno). Identificar erroneamente um câncer como uma lesão benigna e tratá-lo por excisão local piora significativamente o prognóstico e compromete a cirurgia oncológica subsequente - incluindo potencialmente a conversão de um local de ressecção reconstruível (ou seja, uma lesão adequada para ressecção anterior) em um não reconstruível (ou seja, necessitando de uma ressecção abdominoperineal com colostomia permanente) e por semeadura de células cancerígenas em uma margem profunda ou plano diferente, particularmente como no caso de lesões posicionadas anteriormente. Além disso, as técnicas de excisão transanal continuam a ter taxas relativamente altas de margens positivas; isso corre o risco de crescimento em lesões benignas e limita a terapia local eficaz para cânceres em estágio inicial devido à presença de doença inaparente próxima ao tumor principal.

Já demonstramos anteriormente, através do uso de indocianina verde fluorescente (ICG), que a perfusão é visivelmente diferente, entre tumor e tecido saudável. Essa diferença pode ser capturada por vídeo infravermelho e a análise matemática pode diferenciar o padrão de perfusão de áreas malignas de qualquer tecido benigno/normal também visível na mesma visão endoscópica. Resumindo, a saturação da fluorescência em cada região de interesse (ou seja, tumor ou área da mucosa normal) pode ser medida a partir do vídeo gravado usando o software existente desenvolvido pela IBM. A mudança na fluorescência ao longo do tempo pode ser plotada em uma curva, demonstrando o fluxo de entrada, pico e saída de ICG, que depende dos padrões de perfusão dentro da região de interesse. Essas curvas diferem dependendo do tecido que está sendo examinado e, portanto, podem ser usadas para classificar tumores benignos de malignos por meio do cálculo da inclinação da captação e da área sob a curva para medir o fluxo. Portanto, em um local (como o reto) onde há suspeita de câncer, a análise do vídeo pode ser usada para diferenciar entre tecidos saudáveis ​​e cancerígenos. Essa descoberta pode ser explorada para uso clínico pela aplicação de métodos de IA, incluindo visão computacional e aprendizado de máquina. Em essência, a intensidade de fluorescência de pixels exibindo tecidos de interesse varia com o fluxo sanguíneo (perfusão), quando o sangue é tingido com ICG e iluminado por luz infravermelha próxima (NIR). A intensidade é capturada ao longo do tempo, a partir de vários quadros de vídeo, e essa intensidade é plotada como uma curva. As curvas de intensidade do tecido tumoral são diferentes das do tecido saudável, e as dos tumores benignos são diferentes dos tumores malignos. A análise das características da curva para cada pixel em uma região de interesse pode, portanto, levar a uma classificação.

Esse sistema de IA foi prototipado e treinado no Mater Hospital anteriormente com vídeos de uma população de pacientes irlandeses com câncer de dois centros regionais, para que possa identificar automaticamente tumores malignos e lesões benignas de tecidos saudáveis ​​por seus padrões de perfusão. Este protótipo demonstrou anteriormente uma precisão de > 80%.

Neste estudo, validamos clinicamente o conceito básico ou método de classificação de tecido por suas características de sinal de fluorescência, ao mesmo tempo em que vemos se um dispositivo pode ser construído com base nisso que pode extrapolar os dados gerados a partir dos vídeos pela equipe da UCD. Também abordamos a questão da generalização - outros cirurgiões podem usar o sistema e obter resultados semelhantes de suas coortes de pacientes específicos? Isso abrirá caminho para estudos futuros planejados para determinar os papéis da biópsia (o sistema pode permitir a escolha ideal do tecido biopsiado e, assim, reduzir o erro da biópsia?); e ressecção do tumor (o sistema pode aumentar a integridade e precisão da ressecção do tumor?).