HSI для идентификации межсегментарной плоскости во время субдолевых резекций легкого (HYPER-Seg)

Рак легких является ведущей причиной смерти от рака во всем мире. В связи с генерализацией стратегий скрининга, особенно для групп риска, все большее число случаев рака легкого выявляется на ранней стадии. В связи с этим рак легкого также все чаще диагностируется у больных с нарушением функции легких. Для сохранения функции легких и снижения частоты осложнений в настоящее время в этой когорте оцениваются сегментэктомии легких. Так, последняя версия немецких рекомендаций по профилактике, диагностике, лечению и диспансерному наблюдению рака легкого рекомендует сегментэктомию пациентам с нарушением функции легких при опухолевой стадии I/II. Однако идентификация межсегментарной плоскости — ключевой этап сегментэктомии — остается сложной задачей. Неточное определение межсегментарной плоскости может привести к дисфункции оставшейся легочной ткани, несоответствию вентиляции или кровотока или длительной утечке воздуха после операции, что даже требует незапланированной повторной операции. Индоцианиновый зеленый (ICG) является одним из последних проверенных методов идентификации и считается золотым стандартом. Гиперспектральная визуализация (HSI) — новый метод интраоперационной визуализации — позволяет проводить неинвазивную оценку тканевой перфузии и различать легочную ткань с различной тканевой перфузией во время сегментэктомии.

Целью этого проспективного одноцентрового исследования IDEAL стадии 2b не меньшей эффективности является идентификация межсегментарной плоскости и навигация во время субдолевых резекций легкого при раке легкого с использованием гиперспектральной визуализации, сравнение с идентификацией межсегментарной плоскости флуоресценции ICG и установление автоматическая межсегментарная навигация с использованием стратегий машинного обучения для интраоперационной навигации.

Чтобы решить эту проблему, межсегментарная плоскость будет обнаружена как с помощью HSI, так и с помощью ICG-флуоресценции во время легочных сегментэктомий, и соответствие двух методов идентификации будет сравниваться друг с другом. Используя стратегии машинного обучения, будет проанализировано обнаружение перфузированной и неперфузированной легочной ткани и межсегментарной плоскости. Наконец, исследователи изучат отслеживание движения для улучшения будущих иллюстраций HSI во время операции.

Гипотеза этого исследования заключается в том, что HSI может улучшить интраоперационную навигацию во время легочных сегментэктомий, обеспечивая надежную идентификацию межсегментарной плоскости в качестве золотого стандарта индоцианиновой зеленой флуоресценции. В этом случае больше не потребуется внутривенное введение флуоресцентного красителя для идентификации межсегментарной плоскости.

В случае сложной резекции сегмента необходимо большое количество или повторное использование ICG из-за его короткого времени легочной циркуляции. Многократное применение ICG может привести к попаданию ICG в ткань-мишень легкого через бронхиальное кровообращение и увеличивает риск побочных реакций ICG. Напротив, преимущества HSI заключаются в более быстром и повторяющемся измерении во время операции. Будет возможность сократить общее время измерения во время расслоения межсегментарной плоскости (10 секунд против 3 минут на измерение) и, следовательно, нагрузку на пациента. В этом контексте несколько исследований измерения перфузии на основе HSI во время операций на пищеводе или толстой кишке уже показали улучшение результатов пациентов. Кроме того, HSI можно использовать для хирургии пациентов с гипертиреозом или нарушениями функции почек или печени.

Чтобы подтвердить эту гипотезу, в этом исследовании будет использован проспективный дизайн исследования не меньшей эффективности. Для обеспечения качества сбора данных и отчетности исследование будет проводиться в соответствии с руководящими принципами отчетности IDEAL. Во время сегментэктомии легкого межсегментарная плоскость будет идентифицирована как с помощью HSI, так и с помощью флуоресценции ICG. Определенное межсегментное поле HSI будет сравниваться с флуоресценцией ICG, и будет изучена осуществимость и воспроизводимость картирования HSI и ICG.

Методы машинного обучения значительно улучшили интерпретацию тонких закономерностей в данных медицинских изображений. Сверточные нейронные сети (CNN) можно считать современным средством классификации и сегментации медицинских изображений. Исследователи расширят методы на основе CNN для классификации HSI и, в частности, изучат дифференциацию на основе пластыря между перфузируемой и неперфузированной тканью с использованием данных ICG и HSI, полученных в одном и том же месте. Еще одной проблемой является относительно медленное получение HSI (10 секунд на измерение), что делает его склонным к артефактам движения, например, из-за пульсирующего движения. Чтобы решить эту проблему, исследователи изучат отслеживание движения, что также важно для будущей иллюстрации границы сегмента во время операции.

Подходы машинного обучения и, в частности, CNN позволяют напрямую оптимизировать классификаторы на основе фактических клинических данных, а спектральное измерение можно обрабатывать простым способом. Кроме того, как универсальный метод обработки изображений, CNN также можно использовать для локализации и компенсации движения во время интраоперационной визуализации, например, их можно научить обнаруживать особенности изображения и их движение в красных/зеленых/синих потоках изображений. Это интересно для предлагаемого сбора данных HSI, который основан на последовательности измерений, чувствительных к движению ткани.