CLASSICA: Проверка ИИ в классификации рака в хирургии в реальном времени Исследование 1

Полипы прямой кишки размером более 2 см (только в Европе поражают около 10 000 пациентов в год) представляют собой серьезную клиническую проблему. В то время как меньшие полипы могут быть удалены с помощью обычной эндоскопической полипэктомии, а явный клинический рак будет прогрессировать с помощью традиционной парадигмы онкологической хирургии, полипы такого размера могут быть удалены локально без изменений путем трансанальной эндоскопической резекции (также называемой трансанальной минимально инвазивной хирургией). ТАМИС). Это лечение выбора в этом центре из-за его способности предоставить один полный нефрагментированный образец по сравнению с другими методами (например, эндоскопическая подслизистая резекция). В то время как технология и обучение, позволяющие выполнять трансанальную резекцию, стали гораздо более доступными за последнее десятилетие (особенно TAMIS), а это означает, что больше пациентов могут иметь большие доброкачественные образования и даже некоторые ранние раки прямой кишки, удаленные в их местных специализированных центрах, в настоящее время основной тормоз такой помощи является отбор пациентов: то есть, как определить, есть ли у данного пациента доброкачественный полип или рак до его резекции.

Известно, что эндоскопическая биопсия дает неточные результаты в 20% таких поражений (рак прямой кишки чаще всего начинается как аденоматозное поражение, поэтому при поверхностной биопсии злокачественный очаг может быть пропущен). Ошибочная идентификация рака как доброкачественного образования и лечение его путем местного иссечения значительно ухудшает прогноз и ставит под угрозу последующую хирургическую операцию по поводу рака, включая потенциальное превращение реконструируемого участка резекции (т. нуждающихся в брюшно-промежностной резекции с постоянной колостомой) и путем посева раковых клеток в глубокий край или другую плоскость, особенно в случае переднерасположенных поражений. Кроме того, методы трансанальной эксцизии по-прежнему имеют относительно высокие показатели положительных результатов; это создает риск повторного роста доброкачественных поражений и ограничивает эффективную местную терапию рака на самых ранних стадиях из-за наличия инаппарантного заболевания вблизи основной массы опухоли.

Ранее мы продемонстрировали с помощью флуоресцентного индоцианина зеленого (ICG), что перфузия между опухолью и здоровой тканью заметно различается. Эту разницу можно зафиксировать с помощью инфракрасного видео, а математический анализ может отличить картину перфузии злокачественных участков от любой доброкачественной/нормальной ткани, также видимой в том же эндоскопическом виде. Вкратце, насыщенность флуоресценции в каждой интересующей области (т. е. опухоли или области нормальной слизистой оболочки) можно измерить по записанному видео с использованием существующего программного обеспечения, разработанного IBM. Изменение флуоресценции с течением времени можно изобразить на кривой, демонстрирующей приток, пик и отток ICG, которые зависят от паттернов перфузии в интересующей области. Эти кривые различаются в зависимости от исследуемой ткани и поэтому могут использоваться для классификации доброкачественных опухолей от злокачественных путем расчета наклона поглощения и площади под кривой для измерения оттока. Таким образом, в месте (например, в прямой кишке), где есть подозрение на рак, можно использовать анализ видео, чтобы отличить здоровые ткани от раковых. Это открытие может быть использовано для клинического использования путем применения методов искусственного интеллекта, включая компьютерное зрение и машинное обучение. По сути, интенсивность флуоресценции пикселей, отображающих интересующие ткани, зависит от кровотока (перфузии), когда кровь окрашивается ICG и освещается ближним инфракрасным (NIR) светом. Интенсивность фиксируется с течением времени из нескольких видеокадров, и эта интенсивность изображается в виде кривой. Кривые интенсивности опухолевой ткани отличаются от кривых здоровой ткани, а кривые доброкачественных опухолей отличаются от злокачественных опухолей. Таким образом, анализ характеристик кривой для каждого пикселя в интересующей области может привести к классификации.

Такая система искусственного интеллекта была прототипирована и обучена в больнице Матер ранее с использованием видеороликов группы ирландских больных раком из двух региональных центров, чтобы она могла автоматически идентифицировать злокачественные опухоли и доброкачественные образования в здоровых тканях по характеру их перфузии. Этот прототип ранее продемонстрировал точность >80%.

В этом исследовании мы клинически подтверждаем базовую концепцию или метод классификации ткани по характеристикам ее флуоресцентного сигнала, а также смотрим, можно ли на ее основе создать устройство, которое может экстраполировать данные, полученные из видео сотрудников UCD. Мы также обращаемся к вопросу обобщаемости — могут ли другие хирурги использовать систему и получать аналогичные результаты от своих конкретных когорт пациентов? Это проложит путь для будущих исследований, которые запланированы для определения роли биопсии (может ли система обеспечить оптимальный выбор ткани для биопсии и, таким образом, уменьшить ошибку биопсии?); резекция опухоли (может ли система увеличить полноту и точность резекции опухоли?).