Интраоперационное обследование с использованием технологии HYperspectral, основанной на обучении MAChine, для диагностики и оценки автономной анатомии (iEXMachyna3)

Интраоперационное распознавание структур-мишеней, которые необходимо сохранить или выборочно удалить, имеет первостепенное значение во время хирургических вмешательств. Эта задача в основном зависит от анатомических знаний и опыта оператора. В условиях малоинвазивной хирургии снижается тактильная обратная связь, и зрение хирурга является единственным ключом к различению тканей. Неправильное восприятие анатомии, обусловленное специфическими для пациента патологическими состояниями и/или неопытностью хирурга, может привести к повышенному риску ятрогенного повреждения критических анатомических структур и иметь разрушительные последствия. Гиперспектральная визуализация (HSI) представляет собой многообещающую технологию, которая объединяет фотокамеру со спектрометром и способна выполнять оптическое сканирование в реальном времени на большой площади без контраста, предоставляя как пространственную, так и спектральную информацию, генерируемую Взаимодействие ткань/свет. Технология основана на использовании измерений спектроскопии отражения. Измерение заключается в облучении области белым светом (обычные галогенные лампы, безвредной интенсивности) и регистрации спектральных интенсивностей излученного участка в виде спектров ремиссии. Оптическое взаимодействие (рассеяние, поглощение) падающего света с различными компонентами (включая глубину) материала мишени (например, биологические ткани) изменяет спектральное распределение света таким образом, что отраженный свет несет информацию о текущем составе материала или ткани и физиологии (например, перфузия). HSI — это уже зарекомендовавший себя метод объективной классификации информации об изображениях в ряде научных областей (например, дистанционное зондирование), впервые примененное в медицине около 15 лет назад. Из-за неотъемлемых преимуществ неразрушающего сбора образцов, возможностей сопряжения с обычными оптическими методами (микроскоп, эндоскоп) и количественных, независимых от исследователя результатов, в то же время были разработаны различные подходы для использования потенциала гиперспектральной визуализации в медицине.

Его полезность в биомедицинской области уже широко доказана. Ранее он применялся в хирургии пищеварительного тракта для количественного определения насыщенного кислородом гемоглобина кишечника во время нескольких процедур или в случае мезентериальной ишемии. Ряд предыдущих работ был успешно посвящен способности HSI различать нормальную и опухолевую ткань при раке предстательной железы, колоректальном раке, раке желудка, глиобластоме, раке головы и шеи. В области онкологии успехи в классификации гиперспектральных признаков были значительными и привели к успешному использованию сложных алгоритмов глубокого обучения. В хирургии полезность камеры HSI изучалась для визуализации операционного поля при затрудненном кровотечении или для обнаружения наличия опухоли в пределах краев резекции после хирургического удаления.

Японская группа использовала систему HSI в качестве дополнительного инструмента визуализации для выявления ишемии кишечника, а также для классификации внутрибрюшной анатомии. Они определили особую длину волны (756-830 нм) для дифференциации между здоровым и менее перфузируемым кишечником. Они также продемонстрировали, что селезенка, толстая кишка, тонкая кишка, мочевой пузырь и брюшина имеют разные спектральные характеристики. Это открытие может позволить в будущем навигацию по операционному полю на основе HSI. Наша группа недавно использовала HSI в качестве интраоперационного инструмента в модели свиньи для количественной оценки перфузии органов желудочно-кишечного тракта по сравнению с надежными биологическими маркерами. Результаты показали, что эта технология способна количественно оценить кровоснабжение кишечника с высокой степенью точности.

Другие группы ранее пытались отделить желчный проток от сосудов, пищевод от ткани трахеи, щитовидную железу от паращитовидной железы, нерв и мочеточник от окружающей ткани. Однако те предыдущие работы, направленные на распознавание ключевых анатомических структур, проводились либо с использованием простых алгоритмов распознавания признаков, либо с использованием методов выбора полос. Объем информации, получаемой после каждого сбора данных, зависит от разрешения камеры, но достаточно велик, поэтому для классификации данных и выделения признаков требуются методы машинного и глубокого обучения. В серии контролируемых экспериментов на модели свиньи успешно использовались гиперспектральные сигнатуры в сочетании с алгоритмами машинного обучения для распознавания тонких анатомических структур, таких как нервы или мочеточники, во время операции (неопубликованные данные).

Исследование i-EX-MACHYNA3 направлено на использование технологии HSI в сочетании с несколькими алгоритмами глубокого обучения для дифференциации различных классов тканей человека (включая ключевые анатомические структуры, такие как BD, нервы и мочеточники).