使用基于机器学习的高光谱进行诊断和自主解剖学评估的术中检查 (iEXMachyna3)

在手术过程中，术中识别需要保留或选择性移除的目标结构至关重要。 这项任务主要依赖于操作者的解剖学知识和经验。 在微创手术的环境中，触觉反馈减少，外科医生的视觉是区分组织的唯一线索。 由于患者特定的病理状况和/或外科医生的经验不足，对解剖结构的误解可能导致关键解剖结构发生医源性损伤的风险增加，并可能产生毁灭性后果。 高光谱成像 (HSI) 代表了一种有前途的技术，它将照相机与光谱仪相结合，能够以无对比的方式在大面积上执行实时光学扫描，提供空间和光谱信息，由组织/光相互作用。 该技术基于反射光谱成像测量的使用。 测量包括用白光照射该区域（普通卤素灯，强度无害），并以发射光谱的形式记录该区域的发射光谱强度。 入射光与目标材料（例如金属）的各种成分（包括深度）的光学相互作用（散射、吸收） 生物组织）改变光的光谱分布，使发射的光携带有关当前材料或组织成分和生理学的信息（例如 灌注）。 HSI 是许多科学领域（例如， 遥感），大约在 15 年前首次应用于人类医学领域。 由于非破坏性样本采集的内在优势、与常见光学模式（显微镜、内窥镜）的接口可能性以及定量、独立于检查者的结果，同时开发了各种方法来利用高光谱成像在医学中的潜力。

它在生物医学领域的实用性已经得到广泛证明。 它以前已应用于消化手术，以在几个手术过程中或在肠系膜缺血的情况下量化肠道含氧血红蛋白。 许多以前的工作成功地集中在 HSI 区分正常组织和肿瘤组织的能力，在前列腺癌、结直肠癌、胃癌、胶质母细胞瘤、头颈癌中。 在肿瘤学领域，高光谱特征分类的进步非常显着，并导致成功使用复杂的深度学习算法。 在外科手术中，已经研究了 HSI 相机的用途，以可视化难以出血的手术区域或检测手术切除后切除边缘内的肿瘤存在。

一个日本小组使用 HSI 系统作为额外的可视化工具来检测肠道缺血并对腹内解剖结构进行分类。 他们确定了一个特定的波长（756-830 nm）来区分健康和灌注较少的肠道。 他们还证明了脾脏、结肠、小肠、膀胱和腹膜具有不同的光谱特征。 这一发现可能会在未来实现基于 HSI 的手术区域导航。 我们小组最近在猪模型中采用 HSI 作为术中工具，以量化胃肠道器官对强大生物标记的灌注。 结果表明，该技术能够高精度地量化肠道血液供应。

其他小组以前曾试图区分胆管与血管、食道与气管组织、甲状腺与甲状旁腺、神经和输尿管与周围组织。 然而，那些以前针对识别关键解剖结构的工作是使用简单的特征辨别算法或波段选择方法进行的。 每次采集后获得的信息量因相机分辨率而异，但都非常大，因此需要机器和深度学习技术进行数据分类和特征提取。 在猪模型的一组对照实验中，高光谱特征已被成功地与机器学习算法相结合，以在术中区分精细的解剖结构，如神经或输尿管（未发表的数据）。

i-EX-MACHYNA3 研究旨在将 HSI 技术与多种深度学习算法相结合，以区分不同类别的人体组织（包括 BD、神经和输尿管等关键解剖结构）。