Postoperativ bedömning av lungfunktion baserad på deep learning-studie

Förbättringar inom lågdos-CT-screening har lett till en ökning av diagnoser av NSCLC i tidigt skede, där kirurgisk resektion – vanligtvis lobektomi eller segmentektomi – förblir det primära botande alternativet. I Hongkong har patienter dock ofta komorbiditeter såsom kronisk lungsjukdom eller kardiovaskulära problem, vilket gör att bevarandet av friskt lungvävnad är avgörande för deras långsiktiga livskvalitet. Traditionell kirurgisk resektion, såsom lobektomi eller segmentektomi, har vissa begränsningar när det gäller funktionellt bevarande. Däremot har robot-/navigationsbronkoskopisk ablation framträtt de senaste åren som en ny minimalt invasiv endoskopisk behandlingsstrategi. Denna metod har implementerats i utvalda centra och visar potentiella fördelar, inklusive snabbare postoperativ återhämtning, minskat trauma och förbättrat bevarande av lungfunktion. Genom att utnyttja avancerade navigationssystem möjliggör bronkoskopisk ablation precisionslokalisering och ablation av lungnoduler, vilket undviker den omfattande resektionen av friskt lungvävnad som krävs i traditionell kirurgi. Dessa fördelar lovar att förbättra patienternas långsiktiga livskvalitet och överlevnadsprocent.

Dessutom ger konventionella lungfunktionstester som FEV₁ och diffusionskapacitet för kolmonoxid endast en global bedömning av andningskapacitet, vilket kanske inte helt fångar de regionala förändringarna i lungfunktion som uppstår efter segmentektomi eller lobektomi. Likaså förbiser grundläggande CT-volumetri finare anatomiska detaljer såsom segmental luftvägsdistribution, mikrovaskulära nätverk och lokal alveolär komplians. Vidare finns det för närvarande få direkta jämförande studier mellan robot-/navigationsbronkoskopisk ablation och traditionell kirurgisk resektion när det gäller postoperativ lungfunktion och långsiktiga utfall. Stött av Research Grants Council har vårt arbete sedan 2019 validerat denna tekniks genomförbarhet och säkerhet, vilket lett till utbredd erkännande och många publikationer. Dock är den mesta befintliga forskningen retrospektiv eller härrör från enkelcentrumsdata, med ett primärt fokus på korttidsäkerhet och teknisk genomförbarhet.

För att hantera dessa begränsningar föreslås en integrerad metod som utnyttjar 3D-CT-avbildning och ML. Maskininlärning är en teknik som använder algoritmer för att automatiskt lära från data och göra förutsägelser eller beslut. Djuplärande, ett underfält av ML, använder flerskiktiga neurala nätverk för att effektivt extrahera funktioner och känna igen mönster i komplexa, högdimensionella data. ML, och särskilt DL, har visat anmärkningsvärd potential i olika medicinska bildtillämpningar, inklusive läsionsdetektion, vävnadssegmentering och utfallsförutsägelse. Genom att automatiskt lära komplexa mönster i högdimensionella data kan ML- och DL-modeller tolka subtila radiologiska egenskaper som kan missas av konventionella analyser. I sammanhanget med 3D-CT-avbildning för NSCLC kan DL-arkitekturer – såsom faltningsneurala nätverk – extrahera detaljerade funktioner från volymetriska skanningar, vilket möjliggör robust kvantifiering av tumörstorlek, form och placering samt förfinad bedömning av lungparenkym. När de integreras med lungfunktionsparametrar och kliniska data tillhandahåller dessa algoritmer ett kraftfullt sätt att generera prediktiva modeller, identifiera riskpatienter tidigare och vägleda individuell behandlingsplanering. Dessutom kan ML-drivna metoder anpassa sig till föränderliga dataset över tid, kontinuerligt förfina och förbättra sin prestanda. Denna skalbarhet och anpassningsbarhet är särskilt värdefull i prospektiva studier, där stora, multimodala dataset samlas för att utvärdera långsiktiga effekter av olika behandlingsstrategier. Följaktligen bidrar införandet av ML och DL i denna forskning inte bara till att förbättra precisionen i utfallsförutsägelse utan bidrar också till ett standardiserat ramverk för dynamisk, personlig bedömning av lungfunktion, vilket vägleder mer informerat kliniskt beslutsfattande.

Det primära målet med denna studie är att avgöra om segmentektomi verkligen erbjuder bättre funktionellt bevarande än lobektomi, om robot-/navigationsstyrd bronkoskopisk ablation faktiskt uppnår överlägset bevarande av lungfunktion jämfört med traditionell kirurgisk resektion, och under vilka specifika patientförhållanden varje metod kan ge störst nytta. Genom att genomföra en prospektiv, välutformad undersökning kommer forskningen att fylla ett kritiskt gap i bevisning angående långsiktiga funktionella utfall, vilket ger tydligare kriterier för att välja den mest lämpliga resektionstypen. Dessutom har införandet av ett standardiserat, integrerat bedömningsverktyg potential att optimera kirurgiskt beslutsfattande och postoperativ vård, vilket i slutändan förbättrar överlevnad och livskvalitet för NSCLC-patienter i tidigt skede i Hongkong och potentiellt informerar om bästa praxis i andra vårdkontexter.