Un novedoso enfoque de aprendizaje profundo bimodal para la eliminación en tiempo real de la fluorescencia hepática en la colecistectomía laparoscópica guiada por indocianina

Resumen

Este protocolo presenta un enfoque de aprendizaje profundo dual modal para la eliminación de fluorescencia hepática en tiempo real durante la colecistectomía laparoscópica guiada por indocianina (ICGLC).

Resumen

La colecistectomía laparoscópica guiada por indocyanina verde (ICGLC) mejora la visualización biliar, pero a menudo se ve obstaculizada por contaminación por fluorescencia hepática, que interfiere con las estructuras anatómicas. Este estudio tiene como objetivo desarrollar y evaluar un novedoso marco de aprendizaje profundo bimodal para detectar y eliminar automáticamente la contaminación por fluorescencia hepática en tiempo real durante los procedimientos ICGLC. Se construyó un conjunto de datos de 33.123 marcos quirúrgicos bimodales a partir de 48 pacientes que se sometieron a ICGLC electivo. Las imágenes de fluorescencia y luz blanca se fusionaron y anotaron. Se compararon varios modelos de aprendizaje profundo y se seleccionó una red de fusión media basada en DeepLabV3. Se implementaron estrategias de postprocesamiento morfológico y entrenamiento por fases para mejorar la precisión y generalizabilidad de la segmentación. El modelo propuesto alcanzó un coeficiente de dados de 0,838 y un recuerdo de 0,863 en el conjunto de prueba final. En evaluaciones subjetivas, 10 cirujanos senior calificaron consistentemente los vídeos procesados por IA como más claros, con una mejora notable en la visualización de los conductos biliares y una fatiga visual reducida. El modelo demostró un rendimiento en tiempo real a 0,018 segundos por fotograma. Este estudio presenta la primera solución de IA en tiempo real para la eliminación de fluorescencia hepática en ICGLC. El modelo de aprendizaje profundo bimodal mejora significativamente la claridad visual, ofreciendo potencial para mejorar la seguridad quirúrgica, la eficiencia operativa y la eficacia de la formación. Es necesario realizar futuros estudios prospectivos para evaluar el impacto clínico en los resultados operativos.

Introducción

La colelitiasis es un trastorno gastrointestinal prevalente, que muestra de forma constante altas tasas de incidencia a nivel global en diversas poblaciones, afectando a más del 4% de la población^mundial 1,2,3,4. La colecistectomía laparoscópica (LC) es ampliamente considerada el 'estándar de oro' para tratar la colelitiasis debido a sus ventajas, como el mínimo trauma intraoperatorio, el dolor postoperatorio leve, resultados estéticos favorables y estancias hospitalarias ^{cortas 5,6,7}. Solo en Estados Unidos, los cirujanos generales realizan entre 750.000 y 1.000.000 de LCs anualmente. Sin embargo, la tasa de complicaciones del LC supera a la de la cirugía abierta^{tradicional 8}, siendo la ocurrencia de complicaciones graves como la lesión de los conductos biliares (DBI) de 2 a 3 veces mayor^{, 9,10}. Las investigaciones indican que la IDB durante los procedimientos laparoscópicos suele surgir de errores técnicos en la fase de disección anatómica, siendo especialmente frecuentes las identificaciones erróneas anatómicas (hasta un 85%), a menudo implicando errores de juicio respecto al conducto biliar común (CBD) o variaciones en la anatomía del conducto hepático posterior derecho^11,12.

Para disminuir la prevalencia de complicaciones quirúrgicas en la práctica contemporánea, se han desarrollado una variedad de métodos sofisticados y tecnologías avanzadas, incluyendo la visión crítica de la seguridad (CVS), la colangiografía intraoperatoria y la tecnología de fluorescencia en el infrarrojo cercano (NIRF^{) 5,8}. El CVS se considera cada vez más un método estándar para identificar estructuras de la vesícula^{biliar 5,13,14}, requiriendo la extracción del tejido conectivo en el triángulo cistohepático y la disección del tercio inferior de la vesícula biliar desde la placa quística, para liberar una vista clara del conducto quístico y la arteria quística, previniendo así lesiones vasculares y biliares durante la colecistectomía laparoscópica^{11. 15}.

La colangiografía intraoperatoria NIRF basada en verde de indocyanina (ICG) fue otra solución probada, que se reportó clínicamente por primera vez en^{2008 el 16}. El ICG es metabolizado exclusivamente por el hígado, se une a las proteínas plasmáticas y emite una longitud de onda máxima de luz de unos 830 nm cuando se irradia con luz infrarroja^{cercana 17}. Esta característica permite la visualización de tumores hepáticos y del sistema biliar, mostrando aplicaciones prometedoras para mejorar la seguridad quirúrgica y reducir los tiempos de operación^{18, 19, 20}. Los estudios que compararon el uso combinado de CVS y NIRF frente al CVS solo indicaron beneficios para pacientes obesos y casos con inflamación severa, no solo acortando el tiempo de la cirugía, sino también reduciendo la incidencia de^{BDI 21,22}. Sin embargo, sus aplicaciones clínicas se encuentran con varias limitaciones, incluyendo el uso de diversos dispositivos de imagen^, la inyección tardía de ICG o la absorción excesiva de tejido hepático que resultan en una alta intensidad de fluorescencia hepática y contaminan el campo visual, dificultando así la imagen crucial del sistema^{biliar 24}. Si se pudieran aplicar tecnologías auxiliares intraoperatorias para eliminar la contaminación por fluorescencia hepática mientras se preserva la imagen correcta de fluorescencia biliar, podrían ayudar a optimizar la visión quirúrgica, mejorando aún más la seguridad y suavidad de la cirugía.

La tecnología de inteligencia artificial (IA) es una herramienta prometedora para optimizar la fluorescencia. La IA en la imagen médica y las operaciones quirúrgicas ha sido un punto caliente de investigación en los últimos años, logrando numerosos avances tecnológicos y aplicaciones^{clínicas 25, 26, 27}. Los estudios y aplicaciones existentes de la tecnología de aprendizaje profundo con IA en vídeos de cirugía laparoscópica se basaban a menudo en la modalidad única de luz blanca, incluyendo el reconocimiento de diversos hitos anatómicos como el nervio laríngeo recurrente, los bordes renales, los vasos sanguíneos y la vesícula^biliar 28,29,30,31 . Actualmente, hay una falta de investigación sobre la eliminación en tiempo real de la contaminación por fluorescencia hepática durante el LC asistido por fluorescencia. La segmentación de imágenes dual-modal, que se ha aplicado ampliamente en la industria, puede ayudar a cubrir esta carencia. Este estudio tiene como objetivo explorar aplicaciones en segmentación de imágenes bimodales dentro de escenarios ICGLC, y desarrollar y validar métodos de entrenamiento para el reconocimiento dinámico en tiempo real y el blindaje de fluorescencia hepática excesiva.

Protocolo

Todos los vídeos quirúrgicos incluidos en este estudio se obtuvieron de pacientes que se sometieron a colecistectomía laparoscópica guiada por ICG electiva (ICGLC) en el Hospital del Pekín Union Medical College. El estudio fue aprobado por el comité de ética correspondiente y se obtuvo el consentimiento informado de todos los participantes antes de la inscripción.

1. Preparación de datos y anotación de imágenes

1. Recopila retrospectivamente vídeos quirúrgicos de 48 pacientes que se sometieron al ICGLC en el Hospital Colegio Médico Unión de Pekín entre 2022 y 2024.
   NOTA: A los pacientes incluidos en este estudio se les inyectó por vía intravenosa 0,5 mg de ICG 20 minutos antes de la cirugía.
2. Instruye a un cirujano general para que revise todos los vídeos quirúrgicos y extracte segmentos que abarquen los pasos críticos de disección del triángulo de Calot. Selecciona manualmente 76 vídeos quirúrgicos, centrándote en la disección del triángulo de Calot. Extrae canales de imagen de fluorescencia y luz blanca de cada clip. Concatena los datos a lo largo del canal RGB.
3. Para minimizar la redundancia, muestrear fotogramas a intervalos 8:1, reducir la resolución de 1920 × 1080 a 960 × 540 e importar las imágenes a una plataforma de anotación personalizada.
4. Asignar a un cirujano general para delimitar manualmente los contornos de fluorescencia hepática y garantizar la calidad de la anotación bajo la supervisión de un cirujano senior.

2. Métricas de evaluación de modelos

1. Evalúa el rendimiento de segmentación del modelo utilizando métricas estándar de visión por ordenador, incluyendo precisión, recuerdo y el coeficiente de Dice, basándose en el conjunto de datos de prueba designado.
2. Evalúa el rendimiento en tiempo real midiendo la carga computacional durante la inferencia.
   1. Mide el tiempo de inferencia usando el módulo de tiempo de la biblioteca estándar Python/C.
   2. Registra la marca de tiempo de inicio llamando a time.perf_counter() antes de la carga de datos.
   3. Invocar time.perf_counter() de nuevo después de que el modelo genere los resultados de la predicción para obtener la marca de tiempo final.
   4. Define la diferencia entre las marcas de tiempo de final y inicio como el tiempo de inferencia para una sola muestra.
   5. Repite este procedimiento para cada muestra en el conjunto de datos de prueba y calcula el tiempo medio de inferencia en todas las muestras para representar la latencia total de inferencia del modelo.
   6. Consulte el siguiente pseudocódigo que resume el procedimiento correspondiente:
      Inicializar Inference_time = 0 e ind = 0
      Sea X la ruta de almacenamiento del conjunto de pruebas y el modelo el modelo de inferencia
      Para cada x_path en X :
      Sincronizar CPU y GPU
      Start_timestamp = time.perf_counter() # marca de tiempo de inicio
      x = carga(x_path) # carga de datos
      y = modelo(x) # inferencia del modelo
      Sincronizar CPU y GPU
      End_timestamp = time.perf_counter() # marca de tiempo final
      Inference_time += (end_timestamp - start_timestamp)
      Ind += 1
      Fin para
      Inference_time = Inference_time / ind # tiempo medio de inferencia
3. Fijar el objetivo principal del reconocimiento de fluorescencia hepática y biliar es detectar la región hepática dentro del campo quirúrgico y reemplazar la información correspondiente de luz blanca, minimizando así la interferencia de la fluorescencia hepática.
4. Utiliza la Intersección sobre Unión (IoU) para cuantificar la precisión predictiva del modelo.
   NOTA: La intersección sobre la Unión (IoU) se define como la proporción del número de píxeles en el área de solapamiento entre la región positiva predicha y la región positiva de la verdad del terreno y el número total de píxeles en la unión de las regiones predichas y positivas de la verdad del terreno.
5. Defina una predicción como un Verdadero Positivo (TP) si el IoU con la verdad fundamental supera un umbral especificado; de lo contrario, clasifícalo como un falso negativo (FN).
6. Marca cualquier segmentación predicha sin una anotación correspondiente como un Falso Positivo (FP).
7. Tras calcular la Intersección sobre Unión (IoU) entre los resultados predichos y las etiquetas de verificación en el terreno, se establece el umbral de IoU en 0,1, considerando la naturaleza difusa y de bajo contraste de las señales de fluorescencia en imágenes quirúrgicas.
8. Defina y calcule las métricas de evaluación de la siguiente manera:
   
   
   

3. Postprocesamiento morfológico

1. Muestrear todos los marcos de fluorescencia hepática y biliar de 1920 × resolución 1080 a 960 × 540 utilizando un método basado en interpolación, específicamente interpolación bilineal.
2. Aplica relleno de cero a lo largo del ancho para obtener una dimensión final de entrada de 960 × 544 generando una matriz de cero 960 × 544 y centrando la imagen actual dentro de ella.
3. Concatena las imágenes de luz blanca y fluorescencia a lo largo de la dimensión del canal almacenando sus matrices correspondientes en secuencia dentro de un tensor construido usando el marco PyTorch antes de introducirlas en el modelo.
4. Para reducir las predicciones ruidosas y refinar la calidad de los límites, se realizan operaciones morfológicas de apertura y cierre en las salidas iniciales de segmentación para filtrar el ruido espurio y mejorar la delimitación de bordes.
5. Comienza con una operación de apertura para eliminar pequeñas púas y artefactos de borde en la máscara³² prevista.
6. A continuación, se realiza una operación de cierre para eliminar agujeros aislados y regiones fragmentadas.
7. Utiliza un núcleo de estructuración 25 × 25 para ambas operaciones para asegurar un refinamiento efectivo de los límites del órgano y la reducción del ruido de segmentación.

4. Entorno de entrenamiento e hiperparámetros

1. Entrena el modelo usando una única GPU NVIDIA A100 Tensor Core.
2. Ponle el tamaño del lote en 16.
3. Inicializa el codificador (backbone) usando pesos preentrenados de^{ImageNet 33} para aprovechar el aprendizaje por transferencia y acelerar la convergencia.
4. Utiliza el optimizador Stochastic Gradient Descent (SGD)³⁴ por su robustez en tareas de segmentación de imágenes a gran escala y su capacidad para mitigar gradientes ruidosos.
5. Fija la tasa de aprendizaje inicial en 0,01 y aplica una estrategia de decaimiento polinómico para reducir gradualmente la tasa de aprendizaje, con un límite inferior de 0,0001.
6. Continúa entrenando durante un total de 50.000 iteraciones para obtener el modelo final.

5. Entrenamiento modelo trifásico

1. En la Fase de Selección de Modelos, comparar múltiples modelos de segmentación usando entrada dual-modal, incluyendo^{DeeplabV3 35}, DLinkNet34³⁶ y U-Net³⁷; Selecciona el modelo óptimo en función de la precisión de segmentación y la eficiencia computacional.
2. En la Fase de Optimización Estructural Algorítmica, investiga diferentes posiciones de fusión de características dentro de la red para determinar la estrategia de integración más eficaz para datos de luz blanca y fluorescencia.
3. En la fase de Generalización y Validación Clínica, aplicar técnicas progresivas de aumento de datos para mejorar la robustez del modelo; validar el modelo final en escenarios clínicos para evaluar su aplicabilidad en el mundo real.

6. Procesamiento de vídeo quirúrgico

1. Extrae segmentos de vídeo que muestran la visualización intraoperatoria de fluorescencia ICG de la anatomía biliar, incluyendo el conducto biliar común (CBD) y el conducto quístico.
2. Procesar los vídeos seleccionados en tiempo real usando el modelo óptimo; calcular el tiempo medio de procesamiento por fotograma para evaluar el rendimiento computacional en tiempo real.

7. Eliminación de contaminación por fluorescencia hepática

1. Aplicar el modelo para detectar y suprimir la contaminación por fluorescencia hepática en tiempo real durante los procedimientos ICGLC.
2. Garantizar la preservación de la visualización de la estructura biliar para facilitar la identificación eficiente de los conductos biliares.
3. Mantener el rendimiento de supresión de contaminación a pesar de los desafíos intraoperatorios comunes como la oclusión de instrumentos o el movimiento de la cámara.

8. Evaluación clínica de la calidad del vídeo

1. Recluta un panel de 10 cirujanos generales senior de instituciones externas para evaluar la eficacia de los vídeos procesados por IA.
2. Proporcionar a cada cirujano tanto clips de vídeo originales como mejorados por IA; Indícales que completen un cuestionario de evaluación subjetiva basado en cinco criterios de evaluación predefinidos.

Resultados

En nuestro estudio, un total de 48 pacientes que se sometieron a colecistectomía laparoscópica electiva con indocyanina verde (ICGLC) entre 2022 y 2024 en el Departamento de Cirugía General del Hospital Pekín Union Medical College fueron inscritos retrospectivamente. Todos los pacientes recibieron una inyección intravenosa de 0,5 mg de verde de docianina 20 minutos antes de la cirugía. El examen patológico postoperatorio confirmó que todos los casos fueron diagnosticados con colecistitis...

Discusión

Esta investigación aprovechó el aprendizaje profundo con IA para abordar un desafío clave en las cirugías ICGLC: identificar y enmascarar la contaminación por fluorescencia hepática. Los cirujanos que utilizan NIRF suelen informar que la fluorescencia hepática causa fatiga visual y complica la imagen^{biliar 38}. Mediante la aplicación de tecnología de visión por ordenador, este estudio pretendía mitigar estos problemas y potencialmente reducir la incidencia de BDI, ...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Consola de Imagen de Fluorescencia 4K	Hangzhou Kangji Medical instrument Co. Ltd.	KJ-EP4K-01	Proporciona tres modos de captación: luz blanca, fluorescencia y fluorescencia fusionada; Apoyo a la expansión de módulos de IA
Cámara de fluorescencia 4K	Hangzhou Kangji Medical instrument Co. Ltd.	KJ-EC-4K	Cámara totalmente digitalizada con ajustes multifunción de botones; Soporte para grabación de vídeo, fotografía y cambio de modo de fluorescencia
Sistema de Fuente de Luz Fría	Hangzhou Kangji Medical instrument Co. Ltd.	KJ-CLS-1	Fuente de luz fría LED y fuente de luz fluorescente LED con una longitud de onda fluorescente de 808 nm
NVIDIA A100 Tensor Core	NVIDIA Corporation	900-21001-0020-100	GPU