CLASSICA: Validering av AI vid klassificering av cancer i realtidskirurgistudie 1

Rektalpolyper >2 cm i storlek (som drabbar ca 10 000 patienter per år bara i Europa) utgör en betydande klinisk utmaning. Medan mindre polyper kan åtgärdas genom rutinmässig endoskopisk polypektomi och uppriktig klinisk cancer kommer att utvecklas genom ett traditionellt cancerkirurgiparadigm, har polyper av denna storlek möjlighet att lokalt excideras, intakta genom transanal endoskopisk resektion (även kallad Transanal Minimally Invasive Surgery, TAMIS). Detta är valet av behandling på denna plats på grund av dess förmåga att tillhandahålla ett enda komplett ofragmenterat prov jämfört med andra modaliteter (t.ex. endoskopisk submukosal resektion). Medan tekniken och utbildningen för att möjliggöra transanal resektion har blivit mycket mer tillgänglig under det senaste decenniet (särskilt TAMIS), vilket innebär att fler patienter kan få stora benigna lesioner och till och med vissa tidiga rektalcancer utskurna i sina lokala specialistcentra, är den stora bromsen nu för sådan vård är patienturval: d.v.s. hur man avgör om en given patient har en godartad polyp eller cancer innan dess resektion.

Endoskopiska biopsier är notoriskt felaktiga i upp till 20 % av sådana lesioner (rektalcancer börjar oftast som adenomatösa lesioner och ytliga biopsier kan därför missa ett malignt fokus). Att felaktigt identifiera en cancer som en godartad lesion och behandla den genom lokal excision försämrar prognosen avsevärt och äventyrar efterföljande cancerkirurgi - inklusive potentiell omvandling av ett rekonstruerbart resektionsställe (d.v.s. en lesion lämplig för främre resektion) till en orekonstruerbar (dvs. som behöver en abdominoperineal resektion med permanent kolostomi) och genom att så cancerceller i en djup marginal eller ett annat plan, särskilt som i fallet med främre positionerade lesioner. Dessutom fortsätter transanala excisionstekniker att ha relativt höga frekvenser av positiva marginaler; detta riskerar återväxt i godartade lesioner och begränsar effektiv lokal terapi för cancer i det tidigaste stadiet på grund av förekomsten av osynlig sjukdom nära huvudtumörmassan.

Vi har tidigare visat, genom användning av fluorescerande indocyaningrönt (ICG), att perfusion är synligt annorlunda, mellan tumör och frisk vävnad. Denna skillnad kan fångas via infraröd video och matematisk analys kan skilja perfusionsmönstret för maligna områden från alla godartade/normala vävnader som också är synliga i samma endoskopiska vy. I korthet kan mättnaden av fluorescens i varje område av intresse (dvs. tumör eller område med normal slemhinna), mätas från den inspelade videon med hjälp av befintlig programvara utvecklad av IBM. Förändringen i fluorescens över tiden kan ritas upp på en kurva, som visar inflödet, toppen och utflödet av ICG, vilket beror på perfusionsmönstren inom området av intresse. Dessa kurvor skiljer sig åt beroende på vilken vävnad som undersöks och kan därför användas för att klassificera godartade från maligna tumörer genom att beräkna lutningen på upptaget och arean under kurvan för att mäta utflödet. Därför, på en plats (som ändtarmen) där man misstänker cancer, kan analys av videon användas för att skilja mellan friska och cancerösa vävnader. Denna upptäckt kan utnyttjas för klinisk användning genom tillämpning av AI-metoder inklusive datorseende och maskininlärning. I huvudsak varierar fluorescensintensiteten hos pixlar som visar vävnader av intresse med blodflödet (perfusion), när blodet färgas med ICG och belyses av nära-infrarött (NIR) ljus. Intensiteten fångas över tid, från flera videorutor, och denna intensitet plottas som en kurva. Intensitetskurvorna för tumörvävnad skiljer sig från de för frisk vävnad, och de för benigna tumörer skiljer sig från maligna tumörer. Analys av kurvegenskaperna för varje pixel i ett område av intresse kan således leda till en klassificering.

Ett sådant AI-system har prototypats och tränats på Mater Hospital tidigare med videor från en population av irländska cancerpatienter från två regionala centra, så att det automatiskt kan identifiera maligna tumörer och godartade lesioner från frisk vävnad genom deras perfusionsmönster. Denna prototyp har tidigare visat en noggrannhet på >80%.

I denna studie validerar vi kliniskt det grundläggande konceptet eller metoden för att klassificera vävnad efter dess fluorescenssignalegenskaper samtidigt som vi ser om en enhet kan byggas på basis av detta som kan extrapolera data som genereras från videorna av UCD-personal. Vi tar också upp frågan om generaliserbarhet – kan andra kirurger använda systemet och få liknande resultat från sina specifika patientkohorter? Detta kommer att bana väg för framtida studier som är planerade för att fastställa biopsis roller (kan systemet möjliggöra optimalt val av biopsierad vävnad och därmed minska biopsifel?); och tumörresektion (kan systemet öka tumörresektionens fullständighet och noggrannhet?).