Studie om klassificeringsmetod för indocyanin grön lymfografi baserad på djupinlärning (BCRL；ICG)

Bröstcancerrelaterat lymfödem (BCRL) är den vanligaste komplikationen efter bröstcancerkirurgi, som medför en tung psykologisk och andlig börda för patienterna. Under lång tid har diagnostik och behandling av lymfödem varit en svår punkt i inhemsk och utländsk forskning. Till stor del beror det på att de flesta patienter som kommer för att träffa en läkare redan har utvecklat uppenbart lymfödem, och de inre lymfkärlen har genomgått patologisk ombyggnad[1] Därför är det särskilt viktigt att upptäcka tidigt lymfödem och ingripa i tid. genom användning av känsliga screeningverktyg. Indocyanin grön (ICG) lymfangiografi är en relativt ny metod, som kan visa ytligt lymfflöde i realtid och snabbt, och kommer inte att påverkas av radioaktivitet [7]. 2007 användes indocyaningrön lymfografi för första gången för att utvärdera funktionen hos ytliga lymfkärl. År 2011 fann japanska forskare hudrefluxtecken baserat på ICG-lymfografidata från 20 patienter med lymfödem efter bröstcanceroperation, och de delades grovt in i tre typer beroende på deras svårighetsgrad: stänk, stjärnhop och diffus (Figur 1) [8 ]. Senare, 2016, bekräftade en prospektiv studie som involverade 196 personer värdet av ICG-lymfografi vid tidig diagnos av lymfödem, och gjorde bilderna av ICG-lymfografi mer specifika stadier 0-5 [9], men iscensättningen är fortfarande baserad på de tre typer av hudrefluxsymtom som hittades i ett litet urval av klinisk studie 2011, som inte är helt tillämplig i faktiska kliniska tillämpningar. Dessutom, när onormala hudrefluxsymtom uppträder på ICG-lymfangiografi, saknar de patofysiologiska förändringar som sker i kroppen forskning och utforskning. Därför hoppas denna forskning förfina bildegenskaperna hos ICG-lymfografi genom maskininlärning (djupinlärning), och etablera en PKUPH-modell för att diagnostisera tidigt lymfödem genom att iscensätta bildegenskaperna.