Intraoperativ undersökning med hjälp av MAChine-learning-baserad HYperspectral för diagnos och autonom anatomibedömning (iEXMachyna3)

Den intraoperativa igenkänningen av målstrukturer, som behöver bevaras eller selektivt avlägsnas, är av största vikt under kirurgiska ingrepp. Denna uppgift bygger huvudsakligen på operatörens anatomiska kunskap och erfarenhet. Vid minimalt invasiv kirurgi finns en minskad taktil återkoppling och kirurgens syn är den enda ledtråden för att särskilja vävnaderna. Feluppfattning av anatomin, på grund av patientspecifika patologiska tillstånd och/eller kirurgens oerfarenhet, kan leda till en ökad risk för iatrogen skada på kritiska anatomiska strukturer och kan få förödande konsekvenser. Hyperspektral avbildning (HSI) representerar en lovande teknologi som kombinerar en fotokamera med en spektrometer och som kan utföra en optisk avsökning i realtid över ett stort område, på ett kontrastfritt sätt, vilket ger både rumslig och spektral information, genererad av interaktionen mellan vävnad och ljus. Tekniken är baserad på användning av reflektansspektroskopiska avbildningsmätningar. Mätningen består av bestrålning av vitt ljus på området (normala halogenlampor, i ofarlig intensitet) och registrering av de remitterade spektrala intensiteterna från området i form av remissionsspektra. Den optiska interaktionen (spridning, absorption) av det infallande ljuset med de olika komponenterna (inklusive djupet) av målmaterialet (t.ex. biologiska vävnader) ändrar den spektrala fördelningen av ljus så att det remitterade ljuset bär information om det aktuella materialet eller vävnadssammansättningen och fysiologi (t.ex. perfusion). HSI är en redan etablerad metod för att objektivt klassificera bildinformation inom ett antal vetenskapliga områden (t.ex. fjärranalys), som först tillämpades inom området för humanmedicin för cirka 15 år sedan. På grund av de inneboende fördelarna med icke-förstörande provinsamling, gränssnittsmöjligheter med vanliga optiska modaliteter (mikroskop, endoskop) och kvantitativa, granskaroberoende resultat, har olika tillvägagångssätt utvecklats under tiden för att utnyttja potentialen hos hyperspektral avbildning inom medicin.

Dess användbarhet inom det biomedicinska området har redan i stor utsträckning bevisats. Det har tidigare använts vid matsmältningskirurgi för att kvantifiera intestinalt syresatt hemoglobin under flera procedurer, eller vid mesenterisk ischemi. Ett antal tidigare arbeten fokuserade framgångsrikt på HSI:s förmåga att skilja mellan normal och tumörvävnad vid prostatacancer, kolorektal cancer, magcancer, glioblastom, huvud- och halscancer. På det onkologiska området har framstegen inom klassificering av hyperspektrala egenskaper varit anmärkningsvärda och lett till framgångsrik användning av sofistikerade algoritmer för djupinlärning. Inom kirurgi har användbarheten av HSI-kamera studerats för att visualisera operationsfältet under svår blödning eller för att upptäcka tumörnärvaro inom resektionskanterna efter kirurgisk excision.

En japansk grupp använde ett HSI-system som ytterligare visualiseringsverktyg för att upptäcka intestinal ischemi och även för att klassificera den intraabdominala anatomin. De identifierade en speciell våglängd (756-830 nm) för differentieringen mellan frisk och mindre perfunderad tarm. De visade också att mjälten, tjocktarmen, tunntarmen, urinblåsan och bukhinnan har olika spektrala egenskaper. Detta fynd kan i framtiden möjliggöra HSI-baserad navigering av operationsfältet. Vår grupp använde nyligen HSI som intraoperativt verktyg i svinmodellen för att kvantifiera perfusion av organen i mag-tarmkanalen mot robusta biologiska markörer. Resultaten visade att denna teknik kan kvantifiera tarmens blodtillförsel med en hög grad av precision.

Andra grupper har tidigare försökt särskilja gallgång från kärlen, matstrupe från luftstrupsvävnad, sköldkörtel från bisköldkörtel, nerv och urinledare från omgivande vävnad. Emellertid utfördes dessa tidigare arbeten inriktade på att känna igen viktiga anatomiska strukturer med antingen enkla funktionsdiskrimineringsalgoritmer eller bandvalsmetoder. Mängden information som erhålls efter varje förvärv varierar beroende på kamerans upplösning, men är ganska stor, därför krävs maskin- och djupinlärningstekniker för dataklassificering och funktionsextraktion. I en uppsättning kontrollerade experiment i grismodellen har hyperspektrala signaturer framgångsrikt använts, kopplade till maskininlärningsalgoritmer, för att urskilja fina anatomiska strukturer som nerver eller urinledare intraoperativt (opublicerade data).

i-EX-MACHYNA3-studien syftar till att översätta HSI-teknologin i kombination med flera algoritmer för djupinlärning för att skilja mellan olika klasser av mänskliga vävnader (inklusive viktiga anatomiska strukturer som BD, nerver och urinledare).