Artificiell intelligensanalys av fluorescensbild för att intraoperativt detektera metastaserande sentinellymfkörtel.

Bedömning av sentinel lymfkörteln (SLN) hos patienter med tidigt stadium av bröstcancer är avgörande för att välja lämplig kirurgisk metod. Men identifiering av metastaserande LN i fibrofettvävnaden i fossa axillaris-provet är fortfarande en utmaning. Nyligen har indocyaningrönt (ICG) och metylenblått ofta använts i klinisk praxis. ICG som ett fluorescerande färgämne har effektivitet vid kartläggning av SLN under operation. Kirurger kan följa fluorescensskärmen för att detektera SLN och samtidigt fånga fluorescerande videobilder i realtid. Flera andra grupper har visats att användningen av ICG fluorescerande kirurgiska navigationssystem för att upptäcka SLN hos bröstcancerpatienter är tekniskt genomförbart. Men ingen studie undersöker variationen mellan fluorescerande bilder av bröstvaktslymfkörtel med och utan metastaser i det befintliga dokumentet. Algoritmer för djupinlärning (DL) artificiell intelligens (AI) inom medicinsk bildbehandling expanderar snabbt.

I denna studie syftar utredarna till att utveckla och validera en lättanvänd prediktionsmodell för artificiell intelligens för att intraoperativt identifiera vaktpostlymfkörtelmetastas status. Dessutom, för att undersöka om detta oberoende och parallella arbetsflöde för intraoperativ lymfkörtelbedömning kan tillhandahålla snabb och exakt skallbas på lymfkörtelfluorescerande bildanalys, samtidigt som ockult lymfkörtelmetastaser (mikro-) detekteras, med hjälp av optisk avbildning och artificiell intelligens.