Исследование метода классификации индоцианиновой зеленой лимфографии на основе глубокого обучения (BCRL；ICG)

Лимфедема, связанная с раком молочной железы (BCRL), является наиболее частым осложнением после хирургического вмешательства по поводу рака молочной железы, которое ложится тяжелым психологическим и духовным бременем на пациентов. Диагностика и лечение лимфедемы длительное время остается сложным вопросом в отечественных и зарубежных исследованиях. В значительной степени это связано с тем, что у большинства пациентов, обращающихся к врачу, уже развилась явная лимфедема, а внутренние лимфатические сосуды подверглись патологическому ремоделированию[1]. Поэтому особенно важно своевременно выявить лимфедему и вмешаться с использованием чувствительных инструментов скрининга. Лимфангиография с индоцианином зеленым (ICG) является относительно новым методом, который может отображать поверхностный лимфоток в режиме реального времени и быстро, и на него не влияет радиоактивность [7]. В 2007 г. впервые для оценки функции поверхностных лимфатических сосудов была использована лимфография с индоцианином зеленым. В 2011 г. японские ученые обнаружили признаки кожного рефлюкса на основании данных ICG-лимфографии у 20 пациентов с лимфедемой после операции по поводу рака молочной железы, и они были условно разделены на три типа в зависимости от их тяжести: всплеск, звездчатое скопление и диффузный (рис. 1) [8]. ]. Позднее, в 2016 г., проспективное исследование с участием 196 человек подтвердило ценность ИКГ-лимфографии в ранней диагностике лимфедемы и сделало изображения ИКГ-лимфографии более специфичными для стадий 0-5 [9], но стадирование по-прежнему основано на трех типы симптомов кожного рефлюкса, обнаруженные в ходе небольшого клинического исследования в 2011 году, которые не полностью применимы в реальных клинических применениях. Кроме того, когда на ICG-лимфангиографии появляются аномальные симптомы кожного рефлюкса, патофизиологические изменения, происходящие в организме, не исследованы и не изучены. Таким образом, это исследование надеется уточнить особенности изображения ICG-лимфографии с помощью машинного обучения (глубокое обучение) и создать модель PKUPH для диагностики ранней лимфедемы путем стадирования характеристик изображения.