גישה חדשנית ללמידה עמוקה דו-מודלית להסרה בזמן אמת של פלואורסצנציה כבדית בכריתת צול לציסקטומיה מונחית ירוקה באמצעות אינדוציאנין

סיכום

פרוטוקול זה מציג גישת למידה עמוקה דו-מודלית להסרת פלואורסצנציה בכבדית בזמן אמת במהלך כריתת כיס ללפרוסקופית מונחית ירוקה באינדוציאנין (ICGLC).

תקציר

כריתת כיס לפרוסקופית מונחית ירוק באינדוציאנין (ICGLC) משפרת את הוויזואליזציה המרה אך לעיתים קרובות נפגעת מזיהום פלואורסצנציה בכבד, שמפריע למבנים אנטומיים. מחקר זה שואף לפתח ולהעריך מסגרת למידה עמוקה דו-מודלית חדשנית לזיהוי והסרה אוטומטית של זיהום פלואורסצנציה כבדית בזמן אמת במהלך פרוצדורות ICGLC. מאגר נתונים של 33,123 מסגרות ניתוח דו-מודאליות נבנה מ-48 מטופלים שעברו ICGLC אלקטיבי. תמונות פלואורסצנציה ואור לבן אוחדו והוסמכו על הערות. הושוו מספר מודלים של למידה עמוקה, ונבחרה רשת מיזוג אמצעית מבוססת DeepLabV3. יושמו אסטרטגיות עיבוד מורפולוגי ואימון מדורג לשיפור דיוק הסגמנטציה והכללה. המודל המוצע השיג מקדם קוביות של 0.838 וזיכרון של 0.863 בקבוצת הבדיקה הסופית. בהערכות סובייקטיביות, 10 מנתחים בכירים דירגו בעקביות את הסרטונים המעובדים בבינה מלאכותית כברורים יותר, עם שיפור משמעותי בוויזואליזציה של צינורות המרה והפחתת עייפות הראייה. המודל הראה ביצועים בזמן אמת ב-0.018 שניות לפריים. מחקר זה מציג את הפתרון הבינה המלאכותית בזמן אמת הראשון להסרת פלואורסצנציה כבדית ב-ICGLC. מודל הלמידה העמוקה הדו-מודאלי משפר משמעותית את הבהירות הוויזואלית, ומציע פוטנציאל לשיפור בטיחות ניתוחית, יעילות תפעולית ויעילות האימון. מחקרים פרוספקטיביים עתידיים נדרשים להערכת ההשפעה הקלינית על תוצאות ניתוחיות.

מבוא

כוליתיאזיס היא הפרעה במערכת העיכול נפוצה, המציגה שיעורי שכיחות גבוהים ברחבי העולם באוכלוסיות שונות, ומשפיעה על יותר מ-4% מאוכלוסיית העולם 1,2,3,4. כריתת כיס ללפרוסקופית (LC) נחשבת ל'סטנדרט הזהב' לטיפול בכוליתיאזיס בזכות יתרונותיה כגון טראומה תוך ניתוח מינימלית, כאב קל לאחר הניתוח, תוצאות קוסמטיות חיוביות ושהייה קצרה בבית החולים ^5,6,7. בארצות הברית בלבד, מנתחים כלליים מבצעים בין 750,000 ל-1,000,000 LCs בשנה. עם זאת, שיעור הסיבוכים של LC עולה על זה של ניתוח פתוח מסורתי⁸, כאשר שיעור הסיבוכים החמורים כמו פגיעת צינור המרה (BDI) גבוה פי 2 עד 3^ב-9.10. מחקרים מראים כי BDI במהלך הליכים לפרוסקופיים נובע לעיתים קרובות מטעויות טכניות בשלב הניתוח האנטומי, כאשר טעויות בזיהוי אנטומי נפוצות במיוחד (עד 85%), לעיתים קרובות כוללות טעויות בשיפוט לגבי צינור המרה המשותף (CBD) או שינויים באנטומיה של צינור הכבד האחורי הימני^11,12.

כדי להפחית את שכיחות הסיבוכים הכירורגיים בפרקטיקה המודרנית, פותחו מגוון שיטות מתקדמות וטכנולוגיות מתקדמות, כולל תפיסה ביקורתית של בטיחות (CVS), כולנגיוגרפיה תוך ניתוחית, וטכנולוגיית פלואורסצנציה אינפרא-אדומה קרובה (NIRF) ^5,8. ה-CVS נחשב יותר ויותר לשיטה סטנדרטית לזיהוי מבני כיס המרה ^5,13,14, ודורש הסרת רקמת חיבור במשולש הציסטוהפטי וניתוק השליש התחתון של כיס המרה מהצלחת הציסטית, כדי לפנות מבט ברור על צינור הציסטיק והעורק הציסטיק, ובכך למנוע פגיעות כלי דם ומרה במהלך כריתת כיס המרה^{לפרוסקופית 11. 15}.

כולנגיוגרפיה NIRF בזמן אמת מבוססת אינדוציאנין גרין (ICG) הייתה פתרון מוכח נוסף, שדווח לראשונה קלינית בשנת 2008. ICG עובר מטבוליזם בלעדי על ידי הכבד, נקשר לחלבוני פלזמה, ופולט אורך גל אור שיא של כ-830 ננומטר כאשר הוא מואר באור אינפרא-אדום קרוב¹⁷. תכונה זו מאפשרת המחשת גידולי כבד ומערכת המרה, ומראה יישומים מבטיחים בשיפור בטיחות הניתוח והפחתת זמני הניתוח 18,19,20. מחקרים שהשוו את השימוש המשולב ב-CVS ו-NIRF לבין CVS בלבד הצביעו על יתרונות למטופלים שמנים ולמקרים עם דלקת חמורה, לא רק שקיצרו את זמן הניתוח אלא גם הפחיתו את שכיחות BDI^21,22. עם זאת, יישומיו הקליניים מתמודדים עם מספר מגבלות, כולל שימוש במכשירי הדמיה שונים²³, התעכבות בהזרקת ICG או ספיגת רקמת כבד מופרזת, מה שמוביל לעוצמת פלואורסצנציה גבוהה של הכבד וזיהום שדה הראייה, ובכך מטשטש את הדמיית מערכת המרה הקריטית²⁴. אם ניתן יהיה ליישם טכנולוגיות עזר תוך ניתוח להסרת זיהום פלואורסצנציה בכבד תוך שמירה על הדמיית פלואורסצנציה נכונה במרה, הדבר עשוי לסייע באופטימיזציה של המבט הכירורגי, ובכך לשפר עוד יותר את הבטיחות והחלקות של הניתוח.

טכנולוגיית בינה מלאכותית (AI) היא כלי מבטיח לאופטימיזציה של פלואורסצנציה. בינה מלאכותית בהדמיה רפואית וניתוחים הייתה מוקד מחקר בשנים האחרונות, והשיגה פריצות דרך טכנולוגיות רבות ויישומים קליניים 25,26,27. מחקרים ויישומים קיימים של טכנולוגיית למידה עמוקה בבינה מלאכותית בסרטוני ניתוחים לפרוסקופיים התבססו לעיתים קרובות על מודליות אור לבן בודדת, כולל זיהוי של נקודות ציון אנטומיות שונות כגון עצב הגרון החוזר, קצוות הכליה, כלי הדם וכיס המרה 28,29,30,31. נכון להיום, יש מחסור במחקר על הסרה בזמן אמת של זיהום פלואורסצנציה בכבד במהלך LC בסיוע פלואורסצנציה. סגמנטציה דו-מודלית של תמונות, שהייתה מיושמת רבות בתעשייה, עשויה לסייע במילוי פער זה. מחקר זה נועד לחקור יישומים בחלוקת תמונה דו-מודלית בתרחישי ICGLC, ולפתח ולאמת שיטות אימון לזיהוי והגנה דינמית בזמן אמת של פלואורסצנציה מופרזת של כבד.

פרוטוקול

כל סרטוני הניתוח שנכללו במחקר זה נאספו ממטופלים שעברו כריתת כיסכיסקטומיה לפרוסקופית מונחית ICG (ICGLC) אלקטיבית בבית החולים Peking Union Medical College. המחקר אושר על ידי ועדת האתיקה הרלוונטית, והתקבלה הסכמה מדעת מכל המשתתפים לפני ההרשמה.

1. הכנת נתונים והערות תמונה

1. איסוף רטרואקטיבי של סרטוני ניתוח מ-48 מטופלים שעברו ICGLC בבית החולים Peking Union Medical College בין השנים 2022 ל-2024.
   הערה: המטופלים שנכללו במחקר זה קיבלו הזרקה תוך-ורידית של 0.5 מ"ג ICG 20 דקות לפני הניתוח.
2. הנחו מנתח כללי לעיין בכל סרטוני הניתוח ולהוציא קטעים הכוללים את שלבי הניתוח הקריטיים של משולש קאלוט. בחר ידנית 76 קטעי וידאו כירורגיים, תוך התמקדות בפירוק משולש הקלוט. להפיק ערוצי פלואורסצנציה ואור לבן מכל קליפ. חבר אותם לאורך ערוץ ה-RGB.
3. כדי למזער כפילות, דגמו פריימים במרווח 8:1, הורדו את הרזולוציה מ-1920 × 1080 ל-960 × 540, וייבאו את התמונות לפלטפורמת אנוטציה מותאמת אישית.
4. מינו מנתח כללי שיבהר ידנית את קווי המתאר הפלואורסצנטיים של הכבד ויבטיחו את איכות ההערות תחת פיקוח מנתח בכיר.

2. מדדי הערכת מודלים

1. הערך את ביצועי הסגמנטציה של המודל באמצעות מדדי ראייה ממוחשבת סטנדרטיים, כולל דיוק, שליפה ומקדם קוביות, בהתבסס על מערך הנתונים המיועד.
2. הערכת ביצועים בזמן אמת על ידי מדידת עומס חישובי במהלך הסקה.
   1. מדדו את זמן ההסקה באמצעות מודול הזמן מספריית הסטנדרטים של Python/C.
   2. רשמו את חותמת הזמן ההתחלתית על ידי קריאה ל-time.perf_counter() לפני טעינת הנתונים.
   3. הפעל שוב את time.perf_counter() לאחר שהמודל מייצר את תוצאות החיזוי כדי לקבל את חותמת הזמן הסופית.
   4. הגדר את ההפרש בין חותמת הזמן הסופית לחותמת ההתחלה כזמן ההסקה עבור דגימה בודדת.
   5. חזרו על הליך זה עבור כל דגימה במערך הנתונים של הבדיקה, וחשבו את זמן ההסקה הממוצע על כל המדגמים כדי לייצג את השהיית ההסקה הכוללת של המודל.
   6. עיין בפסאודוקוד הבא שמסכם את ההליך המתאים:
      אתחול Inference_time = 0 ו-ind = 0
      יהי X מסמן את מסלול האחסון של קבוצת הבדיקה ומודל מסמן את מודל ההסקה
      לכל x_path ב-X :
      סנכרון CPU ו-GPU
      Start_timestamp = time.perf_counter() # חותמת זמן התחלה
      x = load(x_path) # טעינת נתונים
      y = מודל(x) # הסקת מודל
      סנכרון CPU ו-GPU
      End_timestamp = time.perf_counter() # חותמת זמן סיום
      Inference_time += (end_timestamp - start_timestamp)
      Ind += 1
      סוף עבור
      Inference_time = Inference_time / ind # זמן הסקה ממוצע
3. קבע את המטרה העיקרית של זיהוי פלואורסצנציה כבדית ומרה כדי לזהות את אזור הכבד בשדה הניתוח ולהחליף את המידע המתאים של אור לבן, ובכך לצמצם הפרעות מהפלואורסצנציה הכבדית.
4. השתמשו בצומת החיתוך מעל איחוד (IoU) כדי לכמת את דיוק החיזוי של המודל.
   הערה: חיתוך מעל איחוד (IoU) מוגדר כיחס בין מספר הפיקסלים באזור החופף בין האזור החיובי החזוי לאזור החיובי של אמת הקרקע לבין סך כל הפיקסלים באיחוד האזורים החזויים והחיוביים של אמת הקרקע.
5. הגדר תחזית כחיובית אמיתית (TP) אם ה-IoU עם האמת הבסיסית חורגת מסף מסוים; אחרת, סווג אותו כ-False Negative (FN).
6. סמן כל סגמנטציה חזויה ללא הערה מתאימה כחיובי שגוי (FP).
7. לאחר חישוב החיתוך מעל איחוד (IoU) בין התוצאות החזויות לבין תוויות האמת הבסיסית, קבע את סף ה-IoU ל-0.1, תוך התחשבות באופי הפלואורסצנציה המפוזר והנמוך של אותות הפלואורסצנציה בהדמיה כירורגית.
8. הגדר ומחשב את מדדי ההערכה כך:
   
   
   

3. עיבוד מורפולוגי

1. הורד את כל מסגרות הפלואורסצנציה של הכבד והמרה מ-1920 × 1080 לרזולוציה 960 × 540 באמצעות שיטה מבוססת אינטרפולציה, ובפרט אינטרפולציה ביליניארית.
2. מרח ריפוד אפס לאורך הרוחב כדי לקבל ממד קלט סופי של 960 × 544 על ידי יצירת מטריצה 960 × 544 אפס לחלוטין ומרכז התמונה הנוכחית בתוכה.
3. מחברים את תמונות האור הלבן והפלואורסצנציה לאורך ממדי הערוץ על ידי אחסון המטריצות המתאימות ברצף בתוך טנזור שנבנה באמצעות מסגרת PyTorch לפני הזנתן למודל.
4. כדי להפחית תחזיות רעש ולחדד את איכות הגבול, יש לבצע פעולות פתיחה וסגירה מורפולוגיות על פלטי הסגמנטציה הראשוניים כדי לסנן רעש שגוי ולשפר את הגדרת הקצוות.
5. התחל בפעולת פתיחה כדי להסיר קוצים קטנים וארטיפקטים בקצוות במסכה³² החזויה.
6. לאחר מכן מבצעים פעולה סגירה להסרת חורים מבודדים ואזורים מפוצלים.
7. השתמש בגרעין מבנה 25 × 25 לשתי הפעולות כדי להבטיח שיפור יעיל של גבולות האיברים והפחתת רעש סגמנטציה.

4. סביבת אימון והיפרפרמטרים

1. אמן את המודל באמצעות כרטיס מסך NVIDIA A100 Tensor Core אחד.
2. הגדר את גודל האצווה ל-16.
3. אתחול המקודד (עמוד השדרה) באמצעות משקלים מאומנים מראש ב-ImageNet³³ כדי לנצל למידת העברה ולהאיץ התכנסות.
4. השתמש באופטימיזציה של ירידת גרדיאנט סטוכסטית (SGD)³⁴ לעמידותו במשימות סגמנטציה רחבות היקף של תמונה וליכולתו להפחית גרדיאנטים רועשים.
5. הגדר את קצב הלמידה ההתחלתי ל-0.01 והחלו אסטרטגיית דעיכה פולינומית כדי להפחית בהדרגה, עם גבול תחתון של 0.0001.
6. המשך האימון לסך של 50,000 איטרציות כדי לקבל את המודל הסופי.

5. אימון מודלים תלת-שלבי

1. בשלב בחירת המודל, יש להשוות מספר מודלים לסגמנטציה המשתמשים בקלט דו-מודאלי, כולל DeeplabV3³⁵, DLinkNet34³⁶ ו-U-Net³⁷; בחר את המודל האופטימלי בהתבסס על דיוק סגמנטציה ויעילות חישובית.
2. בשלב האופטימיזציה המבנית האלגוריתמית, חקור מיקומי מיזוג תכונות שונים ברשת כדי לקבוע את אסטרטגיית האינטגרציה היעילה ביותר עבור נתוני אור לבן ופלואורסצנציה.
3. בשלב ההכללה והאימות הקליני, יש ליישם טכניקות הגדלת נתונים מתקדמת לשיפור עמידות המודלים; אימות המודל הסופי בתרחישים קליניים כדי להעריך את יישומו בעולם האמיתי.

6. עיבוד וידאו כירורגי

1. חלצו קטעי וידאו המתארים את הוויזואליזציה הפלואורסצנטית של אנטומיית המרה ב-ICG תוך ניתוח, כולל צינור המרה הרגיל (CBD) וצינור הציסטיקה.
2. עיבוד הסרטונים שנבחרו בזמן אמת באמצעות המודל האופטימלי; חשב את זמן העיבוד הממוצע לכל פריים כדי להעריך ביצועים חישוביים בזמן אמת.

7. הסרת זיהום פלואורסצנציה בכבד

1. יישמו את המודל לזיהוי ודיכוי זיהום פלואורסצנציה בכבד בזמן אמת במהלך פרוצדורות ICGLC.
2. להבטיח שימור של ויזואליזציה של מבנה המרה כדי להקל על זיהוי יעיל של תעלות המרה.
3. לשמור על ביצועי דיכוי זיהום למרות אתגרים נפוצים תוך ניתוח כמו חסימת מכשירים או תנועת מצלמה.

8. הערכה קלינית של איכות הווידאו

1. גייסו פאנל של 10 מנתחים כלליים בכירים ממוסדות חיצוניים כדי להעריך את יעילות הסרטונים המעובדים בבינה מלאכותית.
2. לספק לכל מנתח קטעי וידאו מקוריים ומשולבים בבינה מלאכותית; הנחו אותם למלא שאלון הערכה סובייקטיבי המבוסס על חמישה קריטריונים מוגדרים מראש.

תוצאות

במחקר שלנו, בסך הכול 48 מטופלים שעברו ניתוח אלקטיבי של אינדוציאנין ירוק (ICGLC) בין השנים 2022 ל-2024 במחלקה לכירורגיה כללית בבית החולים Peking Union Medical College נרשמו בדיעבד. כל המטופלים קיבלו זריקה תוך-ורידית של 0.5 מ"ג אינדוציאנין גרין 20 דקות לפני הניתוח. בדיקה פתולוגית לאחר הניתוח אישרה שכל המקרים אובחנו עם דלקת כיס מלאה.

לאחר סגמנטציה ובחירה ידנית, הושגו בסך הכל 76 קטעי וידאו. לכל קליפ, ערוצי הפלואורסצנציה וההדמיה באור לבן היו מחוברים לאורך ערוץ ה-RG...

דיון

מחקר זה השתמש בלמידה עמוקה באמצעות בינה מלאכותית כדי להתמודד עם אתגר מרכזי בניתוחי ICGLC: זיהוי והסתרת זיהום פלואורסצנציה כבדית. מנתחים המשתמשים ב-NIRF מדווחים לעיתים קרובות כי פלואורסצנציה של הכבד גורמת לעייפות ראייה ומסבכת את הדמיה מרה³⁸. באמצעות יישום טכנולוגיית ראיית מחשב, מחקר זה נועד להקל על בעיות אלו ואולי להפחית את שכיחות BDI, סיבוך נפוץ ב-ICGLC. זמן ההסקה של המודל לעיבוד פריים בודד הוא כ-0.018 שנייה, כלומר כ-56 פריימים לשנייה (fps), העולה על תקן הווידאו ש...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
קונסולת הדמיה פלואורסצנטית 4K	חברת הנגג'ואו קאנגג'י למכשירים רפואיים בע"מ	KJ-EP4K-01	מספק שלושה מצבי אימוג: אור לבן, פלואורסצנציה ופלואורסצנציה מאוחדת; תמיכה בהרחבת מודולי בינה מלאכותית
מצלמת פלואורסצנציה 4K	חברת הנגג'ואו קאנגג'י למכשירים רפואיים בע"מ	KJ-EC-4K	מצלמה דיגיטלית מלאה עם הגדרות כפתור רב-תכליתיות; תמיכה בהקלטת וידאו, צילום והחלפת מצב פלואורסצנציה
מערכת מקור אור קר	חברת הנגג'ואו קאנגג'י למכשירים רפואיים בע"מ	KJ-CLS-1	מקור אור קר LED ומקור אור LED פלואורסצנציוני עם אורך גל פלואורסצנציה של 808 ננומטר
ליבת טנזור NVIDIA A100	תאגיד NVIDIA	900-21001-0020-100	GPU