Оценка функции лёгких в послеоперационном периоде на основе исследования с использованием глубокого обучения

Усовершенствования в низкодозовой КТ-скрининге привели к увеличению числа диагнозов НМРЛ на ранних стадиях, при этом хирургическая резекция – обычно лобэктомия или сегментэктомия – остаётся основным радикальным методом лечения. Однако в Гонконге пациенты часто имеют сопутствующие заболевания, такие как хронические респираторные болезни или сердечно-сосудистые проблемы, что делает сохранение здоровой лёгочной ткани критически важным для их долгосрочного качества жизни. Традиционная хирургическая резекция, такая как лобэктомия или сегментэктомия, имеет определённые ограничения в плане сохранения функции. В отличие от этого, роботизированная/навигационная бронхоскопическая абляция появилась в последние годы как новая минимально инвазивная эндоскопическая стратегия лечения. Этот подход был внедрён в отдельных центрах и демонстрирует потенциальные преимущества, включая более быстрое послеоперационное восстановление, уменьшение травматичности и улучшенное сохранение лёгочной функции. Благодаря использованию передовых навигационных систем, бронхоскопическая абляция позволяет точно локализовать и аблатировать лёгочные узелки, избегая обширной резекции здоровой лёгочной ткани, необходимой при традиционной хирургии. Эти преимущества дают надежду на улучшение долгосрочного качества жизни и выживаемости пациентов.

Более того, традиционные тесты лёгочной функции, такие как ОФВ₁ и диффузионная способность лёгких для монооксида углерода, дают лишь общую оценку дыхательной способности, которая может не полностью отражать региональные изменения лёгочной функции, происходящие после сегментэктомии или лобэктомии. Аналогично, базовая КТ-волюметрия упускает из виду более тонкие анатомические детали, такие как распределение сегментарных дыхательных путей, микрососудистые сети и локальная альвеолярная податливость. Кроме того, в настоящее время существует мало прямых сравнительных исследований между роботизированной/навигационной бронхоскопической абляцией и традиционной хирургической резекцией в отношении послеоперационной лёгочной функции и долгосрочных исходов. Поддерживаемый Советом по исследовательским грантам, наша работа с 2019 года подтвердила осуществимость и безопасность этой техники, что привело к широкому признанию и многочисленным публикациям. Однако большинство существующих исследований носят ретроспективный характер или основаны на данных одного центра, с основным фокусом на краткосрочной безопасности и технической осуществимости.

Для устранения этих ограничений предлагается интегративный подход с использованием 3D-КТ-визуализации и машинного обучения. Машинное обучение – это технология, использующая алгоритмы для автоматического обучения на основе данных и принятия прогнозов или решений. Глубокое обучение, подраздел машинного обучения, использует многослойные нейронные сети для эффективного извлечения признаков и распознавания паттернов в сложных, высокоразмерных данных. Машинное обучение, и особенно глубокое обучение, продемонстрировало значительный потенциал в различных областях медицинской визуализации, включая обнаружение поражений, сегментацию тканей и прогнозирование исходов. Автоматически обучаясь сложным паттернам в высокоразмерных данных, модели машинного и глубокого обучения могут интерпретировать тонкие радиологические характеристики, которые могут быть упущены при традиционном анализе. В контексте 3D-КТ-визуализации для НМРЛ, архитектуры глубокого обучения – такие как свёрточные нейронные сети – могут извлекать детальные признаки из объёмных сканов, обеспечивая надёжную количественную оценку размера, формы и расположения опухоли, а также уточнённую оценку лёгочной паренхимы. При интеграции с параметрами лёгочной функции и клиническими данными, эти алгоритмы предоставляют мощный инструмент для создания прогностических моделей, более раннего выявления пациентов группы риска и руководства индивидуализированным планированием лечения. Более того, подходы на основе машинного обучения могут адаптироваться к развивающимся наборам данных с течением времени, постоянно совершенствуя и улучшая свою производительность. Эта масштабируемость и адаптивность особенно ценны в проспективных исследованиях, где собираются большие мультимодальные наборы данных для оценки долгосрочного воздействия различных стратегий лечения. Следовательно, включение машинного и глубокого обучения в это исследование не только повышает точность прогнозирования исходов, но и способствует созданию стандартизированной основы для динамичной, персонализированной оценки лёгочной функции, направляя более информированное клиническое принятие решений.

Основная цель этого исследования – определить, действительно ли сегментэктомия обеспечивает лучшее сохранение функции, чем лобэктомия, действительно ли роботизированная/навигационно-направленная бронхоскопическая абляция достигает превосходного сохранения лёгочной функции по сравнению с традиционной хирургической резекцией, и при каких конкретных условиях пациента каждый подход может принести наибольшую пользу. Проводя проспективное, хорошо спланированное исследование, эта работа заполнит критический пробел в доказательствах относительно долгосрочных функциональных исходов, предоставляя более чёткие критерии для выбора наиболее подходящего типа резекции. Более того, внедрение стандартизированного интегративного инструмента оценки имеет потенциал для оптимизации хирургического принятия решений и послеоперационного ухода, в конечном итоге улучшая выживаемость и качество жизни пациентов с ранним НМРЛ в Гонконге и потенциально определяя лучшие практики в других системах здравоохранения.