Интраоперационное ультразвуковое исследование для хирургии опухолей головного мозга, усиленное ИИ (BrainUS-AI)

Хирургия опухолей головного мозга сопряжена со значительными трудностями из-за сложной анатомии мозга и инфильтративного характера этих поражений, которые часто располагаются рядом с функционально важными зонами. Одним из ключевых факторов, определяющих выживаемость пациентов, является степень резекции опухоли при условии, что её можно достичь без ущерба для неврологических функций 1. Для максимизации безопасной резекции нейрохирурги полагаются на различные интраоперационные вспомогательные средства, включая флуоресцентные агенты, нейронавигацию, прямую электрическую стимуляцию и передовые интраоперационные методы визуализации, наиболее заметными из которых являются интраоперационная магнитно-резонансная томография (ИО-МРТ) и интраоперационное ультразвуковое исследование (ИО-УЗИ) 2.

Хотя ИО-МРТ обеспечивает превосходное разрешение и точность, её высокая стоимость, логистические требования и сложность интеграции ограничивают доступность небольшим количеством специализированных центров 3. В отличие от этого, ИО-УЗИ является недорогим, универсальным методом, который естественным образом интегрируется в хирургический процесс 4-6. Тем не менее, его более широкое внедрение ограничивается несколькими факторами: высокой зависимостью от оператора, крутой кривой обучения и трудностями интерпретации, связанными с артефактами, нестандартными плоскостями сканирования, низкой контрастностью между опухолью и нормальной тканью мозга, а также ограниченным полем зрения.

За последние десятилетия исследования по сегментации опухолей головного мозга на основе искусственного интеллекта значительно продвинулись, но большая часть работ была сосредоточена на МРТ 7. В контексте ИО-УЗИ ранние исследования, такие как работа Ritschel et al. 8, показали, что модели контролируемой классификации (например, метод опорных векторов) могут отличать опухоль от здоровой ткани при контрастно-усиленном ультразвуковом исследовании, но эти подходы были трудоёмкими и ограничивались небольшими наборами данных. Ilunga-Mbuyamba et al. 9 позже исследовали мультимодальную регистрацию между ИО-УЗИ и МРТ для улучшения сегментации, но клиническая осуществимость была ограничена необходимостью точной совместной регистрации. Совсем недавно подходы на основе глубокого обучения от Canalini et al. 10 и Carton et al. 11 были применены для сегментации хирургических полостей и объёмов опухолей на изображениях ИО-УЗИ.

Современные методы, такие как описанные Faanes et al. 12, использующие архитектуры nnU-Net, достигли многообещающих коэффициентов сходства Dice в диапазоне 0,6–0,9 на публичных наборах данных, таких как RESECT-SEG 13 и ReMIND 14. Однако эти модели не были предназначены для инференса в реальном времени и не проходили валидацию в условиях живой хирургии. Другие подходы, такие как метод Dorent et al. 15, полагались на синтетические ультразвуковые изображения, полученные на основе предоперационной МРТ, что вызывает опасения относительно обобщаемости на реальные данные ИО-УЗИ. В целом, несмотря на эти достижения, клиническое внедрение остаётся ограниченным из-за уникальных проблем ИО-УЗИ, включая более низкое пространственное разрешение, неоднородность изображений и вариабельность протоколов получения данных.

В других медицинских областях ИИ-ассистированная ультразвуковая сегментация продемонстрировала осуществимость в реальном времени. Например, Hu et al. 16 реализовали модели на основе U-Net для сегментации поражений молочной железы со скоростью 16 кадров в секунду (FPS) и показателями Dice, превышающими 0,75, в то время как Wei et al. 17 применили обнаружение на основе YOLO для идентификации каротидных бляшек с точностью 98,5% при 39 FPS. Несмотря на их эффективность и точность, аналогичные подходы ещё не были внедрены и клинически валидированы для хирургии опухолей головного мозга с использованием ИО-УЗИ.

Наш проект направлен на устранение этого пробела путём проведения многоцентрового, проспективного, нерандомизированного валидационного исследования прототипа модели сегментации на основе глубокого обучения, специально разработанной для работы в реальном времени с интраоперационным ультразвуком опухолей головного мозга. Модель работает на скоростях, соответствующих хирургическим частотам кадров, автоматически очерчивая границы опухоли непосредственно на потоковом ультразвуковом изображении, с целью помощи в интраоперационном принятии решений, максимизации степени резекции, когда это онкологически целесообразно, и сохранения неврологических функций.

Это исследование основывается на нашей предыдущей работе, которая заложила прочный научный фундамент для предлагаемой валидации. В нашей недавней публикации «Сегментация глиомы на основе глубокого обучения на 2D-изображениях интраоперационного ультразвука: многоцентровое исследование с использованием базы данных интраоперационного ультразвука опухолей головного мозга (BraTioUS)» 18 мы обучили и валидировали модель глубокого обучения для сегментации опухолей головного мозга, используя многоцентровые данные из BraTioUS-DB, что стало важной вехой в исследованиях ИО-УЗИ. Во втором исследовании «Обнаружение опухолей головного мозга в реальном времени в интраоперационном ультразвуке: от обучения модели до развёртывания в операционной» 19 мы разработали и проспективно оценили модель компьютерного зрения для обнаружения в реальном времени в операционной. Вместе эти вклады обеспечивают надёжную основу для продвижения ИИ-ассистированной сегментации в реальном времени в интраоперационном ультразвуке, что напрямую соответствует целям настоящего исследования.