Análise Intraoperatória de Vídeo com Duplo Traçador Baseada em Aprendizagem Profunda para o Mapeamento de Gânglio Sentinela na Previsão de Metástase no Carcinoma Papilar da Tiróide cN0

FUNDAMENTO E JUSTIFICAÇÃO:

O carcinoma papilar da tiroide (CPT) é um dos cancros com crescimento mais rápido em todo o mundo. Um grande desafio no tratamento do CPT é que 30% a 80% dos doentes que aparentemente não têm envolvimento ganglionar antes da cirurgia (clinicamente negativos para gânglios, ou cN0) têm na realidade disseminação oculta do cancro para os seus gânglios linfáticos. Os métodos de imagem atuais, como a ecografia, muitas vezes não detetam estas pequenas áreas de disseminação do cancro.

Isto cria uma decisão difícil para os cirurgiões: remover demasiados gânglios linfáticos aumenta o risco de complicações, como danos nas glândulas paratiroides (que controlam os níveis de cálcio) e nos nervos que controlam a voz. No entanto, remover poucos gânglios linfáticos pode deixar cancro para trás, o que pode levar a recidiva.

O mapeamento do gânglio linfático sentinela (GLS) é uma técnica que identifica os primeiros gânglios linfáticos que drenam de um tumor. A ideia é que, se o cancro se disseminar através do sistema linfático, atingirá primeiro estes gânglios sentinela. No entanto, os métodos atuais de mapeamento do GLS no cancro da tiroide que utilizam um único marcador têm limitações e resultados variáveis.

Este estudo utiliza uma abordagem de duplo marcador que combina dois corantes diferentes:

1. Nanopartículas de carbono (NPC): Estas proporcionam uma coloração preta duradoura que ajuda os cirurgiões a ver os gânglios linfáticos com clareza.
2. Verde de indocianina (ICG): Este corante brilha sob luz de infravermelhos próximos, permitindo a visualização em tempo real do fluxo linfático.

Ao combinar estes dois marcadores, os cirurgiões podem ver tanto a estrutura dos gânglios linfáticos como a forma como o fluido linfático flui através deles ao longo do tempo.

DESENHO DO ESTUDO:

Este é um estudo de coorte observacional, prospetivo e unicêntrico. O estudo não altera o tratamento cirúrgico que os participantes recebem. Todos os participantes são submetidos à cirurgia padrão para cancro da tiroide com remoção de gânglios linfáticos, conforme determinado pela sua equipa cirúrgica.

PROCEDIMENTOS DO ESTUDO:

1. Avaliação Pré-operatória:

   Todos os participantes são submetidos à avaliação pré-operatória padrão, incluindo:

   • Exame físico
   • Ecografia da tiroide com avaliação detalhada dos gânglios linfáticos
   • Biópsia por aspiração com agulha fina para confirmar o diagnóstico de CPT
   • Teste genético para mutações comuns (como BRAF)
   • Análises sanguíneas padrão

2. Procedimento Cirúrgico:

   Durante a cirurgia, os participantes recebem a injeção do duplo marcador sob orientação ecográfica. A injeção é administrada em múltiplos pontos à volta do tumor da tiroide. A preparação específica é:

   • 0,1 ml de solução de ICG (concentração: 2,5 mg/ml)
   • 0,1 ml de suspensão de nanopartículas de carbono (concentração: 50 mg/ml) Estes são misturados e injetados usando uma técnica precisa de múltiplos pontos.

3. Gravação de Vídeo:

   Um sistema de imagem de fluorescência de infravermelhos próximos regista todo o processo de visualização dos gânglios linfáticos. A gravação captura:

   • A forma como os corantes se espalham através dos canais linfáticos
   • Quando cada gânglio linfático se torna visível pela primeira vez
   • Como o sinal de fluorescência muda ao longo do tempo
   • O padrão de drenagem linfática

   Os vídeos são gravados em alta resolução (1920 × 1080 pixels) a aproximadamente 30 fotogramas por segundo. Um segmento padronizado de 3 minutos é extraído de cada vídeo para análise, fornecendo 150 fotogramas por doente.

4. Decisões Cirúrgicas:

   O gânglio linfático sentinela (o primeiro gânglio que se ilumina) é removido e enviado para análise imediata por congelação. Com base em critérios padrão, os cirurgiões decidem se realizam:

   • Dissecção ganglionar central ipsilateral (remoção dos gânglios linfáticos do mesmo lado do tumor)
   • Dissecção ganglionar lateral (se certos critérios forem cumpridos)
   • Dissecção central contralateral (remoção dos gânglios linfáticos do lado oposto)

   Estas decisões seguem o protocolo cirúrgico padrão da nossa instituição e não são influenciadas pelas previsões da aprendizagem profunda.

5. Exame Patológico:

Todos os gânglios linfáticos removidos são examinados por patologistas para determinar:

• Se o gânglio linfático sentinela contém cancro (estado SLNM)
• Se os gânglios linfáticos de segundo escalão contêm cancro (SeLNM)
• Se os gânglios linfáticos não sentinela contêm cancro (NsLNM)
• O número e localização de todos os gânglios linfáticos positivos

COLETA E ANÁLISE DE DADOS:

Dados Clínicos (32 variáveis):

• Dados demográficos: idade, sexo, índice de massa corporal
• Características da ecografia: tamanho do tumor, localização, margens, padrões de calcificação, rácio aspecto, classificação TI-RADS
• Características patológicas: multifocalidade, extensão extratiroideia, invasão capsular
• Dados genéticos: estado da mutação BRAF e outras mutações relevantes

Análise de Vídeo:

Dois cirurgiões experientes (cada um com mais de 10 anos de experiência) identificam e delineiam manualmente as regiões de interesse (os gânglios linfáticos sentinela) em cada fotograma de vídeo. Isto cria 19.650 imagens de máscara em todos os participantes.

Extração de Características:

O sistema de aprendizagem profunda extrai múltiplos tipos de características:

Características Espaciais (2048 dimensões):

• Características de imagem de uma rede neural pré-treinada (EfficientNet-B5)
• Características em tons de cinza
• Características de forma e morfológicas
• Descritores de momentos de Hu (descrições matemáticas da forma)

Características Temporais (20 dimensões):

• Diferenças entre fotogramas que mostram como a imagem muda
• Medidas de fluxo ótico que mostram padrões de movimento
• Alterações da intensidade da fluorescência ao longo do tempo
• Medidas da velocidade do fluxo em pontos temporais específicos

MODELOS DE APRENDIZAGEM PROFUNDA:

Nove arquiteturas diferentes de aprendizagem profunda são desenvolvidas e comparadas:

1. Rede Neural Convolucional (CNN): Extrai características espaciais locais das imagens
2. Memória de Longo Curto Prazo (LSTM): Captura padrões em dados de séries temporais
3. CNN + LSTM: Combina extração de características espaciais e temporais
4. CNN + LSTM + Atenção: Adiciona um mecanismo de atenção para focar em pontos temporais importantes
5. Transformer: Usa auto-atenção para capturar padrões globais em dados sequenciais
6. Crossformer: Uma arquitetura especializada para análise de séries temporais
7. 3D-CNN: Processa dados de vídeo como volumes tridimensionais
8. LSTM + Transformer: Modelo híbrido que combina os pontos fortes da LSTM e do Transformer
9. LSTM + Crossformer: Modelo híbrido que combina os pontos fortes da LSTM e do Crossformer

Todos os modelos usam:

• Função de perda de entropia cruzada binária
• Otimizador Adam para treino
• Aumento de dados (rotação, escala, injeção de ruído) para evitar sobreajuste
• Funções de perda ponderadas para lidar com o desequilíbrio de classes
• Regularização por Dropout

AVALIAÇÃO DO MODELO:

Os modelos são avaliados usando validação cruzada estratificada de 10 dobras, garantindo uma distribuição equilibrada dos resultados nos conjuntos de treino e teste. As métricas de desempenho incluem:

• Área Sob a Curva ROC (AUC): Mede a capacidade global de discriminação
• Acurácia: Percentagem de previsões corretas
• Sensibilidade: Capacidade de identificar corretamente doentes com metastização
• Especificidade: Capacidade de identificar corretamente doentes sem metastização
• Valor Preditivo Positivo: Probabilidade de uma previsão positiva estar correta
• Valor Preditivo Negativo: Probabilidade de uma previsão negativa estar correta
• Pontuação F1: Equilíbrio entre precisão e sensibilidade
• Pontuação de Brier: Calibração das probabilidades previstas

Análises adicionais incluem:

• Análise de curva de decisão para avaliar a utilidade clínica
• Curvas de calibração para verificar a fiabilidade da previsão
• Curvas de aprendizagem para avaliar o sobreajuste
• Teste de DeLong para comparação estatística entre modelos
• Abordagem de classificação de modelos baseada em probabilidade (PMRA)

INTERPRETABILIDADE DO MODELO:

Para compreender como o modelo faz previsões, usamos a análise SHapley Additive exPlanations (SHAP). Esta técnica:

• Identifica quais características contribuem mais para as previsões
• Mostra como cada característica afeta previsões individuais
• Revela se o modelo se baseia em fatores clinicamente significativos
• Proporciona transparência na "caixa negra" da aprendizagem profunda

RESULTADOS:

Resultados Primários:

1. Metastização de gânglios linfáticos de segundo escalão (SeLNM): Disseminação do cancro para gânglios linfáticos além do gânglio sentinela na via de drenagem
2. Metastização de gânglios linfáticos não sentinela (NsLNM): Disseminação do cancro para qualquer gânglio linfático que não o gânglio sentinela

Ambos os resultados são determinados pelo exame patológico final do tecido removido cirurgicamente (o padrão-ouro).

Resultados Secundários:

• Métricas de desempenho do modelo (AUC, sensibilidade, especificidade, etc.)
• Classificações de importância de características da análise SHAP
• Comparação de arquiteturas de modelos

CONSIDERAÇÕES ESTATÍSTICAS:

Tamanho da Amostra:

Com base em cálculos de poder assumindo:

• Alfa = 0,05 (nível de significância)
• Poder = 0,80
• Diferença esperada de sensibilidade de 20% entre métodos
• Prevalência esperada de metastização ganglionar de 50%

Foi calculado um mínimo de 335 participantes. Devido a critérios de inclusão rigorosos e requisitos de qualidade de vídeo, 131 participantes com dados completos e de alta qualidade foram incluídos na análise final.

Métodos Estatísticos:

• Estatísticas descritivas para características basais
• Teste do qui-quadrado ou exato de Fisher para variáveis categóricas
• Teste U de Mann-Whitney para variáveis contínuas
• Teste de DeLong para comparar valores de AUC entre modelos
• Intervalos de confiança de 95% para todas as métricas de desempenho

SEGUIMENTO:

Embora a análise primária se concentre na previsão intraoperatória, os participantes são seguidos de acordo com os protocolos padrão de cuidados clínicos. Resultados a longo prazo, incluindo sobrevivência livre de recidiva, podem ser analisados em estudos futuros.

CONSIDERAÇÕES ÉTICAS:

Este estudo foi aprovado pela Comissão de Ética do Primeiro Hospital Afiliado da Universidade Médica de Chongqing (N.º de Aprovação: 2023-322). Todos os participantes forneceram consentimento informado por escrito antes da inclusão.

O estudo apresenta risco adicional mínimo para os participantes porque:

• A injeção do duplo marcador utiliza agentes já aprovados para uso clínico
• A gravação de vídeo é não invasiva e não afeta as decisões cirúrgicas
• Todas as decisões cirúrgicas são tomadas de acordo com protocolos padrão
• A análise de aprendizagem profunda é realizada retrospetivamente e não influencia o tratamento

IMPACTO POTENCIAL:

Se bem-sucedida, esta abordagem poderia:

1. Ajudar os cirurgiões a tomar decisões mais informadas sobre a extensão da remoção de gânglios linfáticos
2. Reduzir cirurgias extensas desnecessárias em doentes de baixo risco
3. Garantir cirurgia adequada em doentes de alto risco que de outra forma poderiam ser subtratados
4. Fornecer suporte de decisão objetivo em tempo real durante a cirurgia
5. Padronizar a interpretação do mapeamento linfático entre diferentes cirurgiões e centros
6. Servir como ferramenta de formação para cirurgiões menos experientes

LIMITAÇÕES:

• Estudo unicêntrico, o que pode limitar a generalização
• Tamanho de amostra relativamente pequeno devido a requisitos de qualidade rigorosos
• A anotação manual das regiões de interesse pode introduzir variabilidade
• Os modelos de aprendizagem profunda requerem validação em coortes externas
• A implementação em tempo real durante a cirurgia requer desenvolvimento adicional

DIREÇÕES FUTURAS:

• Validação externa em múltiplos centros
• Desenvolvimento de software de previsão em tempo real para uso intraoperatório
• Integração com outras modalidades de imagem
• Ensaios intervencionais prospetivos para avaliar o benefício clínico da cirurgia guiada por IA