nach oben

Erschienen in:

07.07.2022 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz und hyperspektrale Bildgebung zur bildgestützten Assistenz in der minimal-invasiven Chirurgie

verfasst von: PD Dr. Claire Chalopin, Felix Nickel, Annekatrin Pfahl, Hannes Köhler, Marianne Maktabi, René Thieme, Robert Sucher, Boris Jansen-Winkeln, Alexander Studier-Fischer, Silvia Seidlitz, Lena Maier-Hein, Thomas Neumuth, Andreas Melzer, Beat Peter Müller-Stich, Ines Gockel

Erschienen in: Die Chirurgie | Ausgabe 10/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Intraoperative Bildgebung unterstützt Chirurgen bei minimal-invasiven Eingriffen. Die hyperspektrale Bildgebung („hyperspectral imaging“, HSI) ist ein nichtinvasives und kontaktloses optisches Verfahren mit großem diagnostischem Potenzial in der Medizin. Die Kombination mit Ansätzen der künstlichen Intelligenz (KI) für die Analyse der HSI-Daten wird in diesem Artikel intelligente HSI genannt.

Fragestellung

Wie kann intelligente HSI in der minimal-invasiven Viszeralchirurgie eingesetzt werden und wo liegen die Vorteile?

Material und Methoden

Innerhalb verschiedener klinischer Studien wurden HSI-Daten mehrerer In-vivo-Gewebearten und onkologischer Resektate mit einer HSI-Kamera aufgenommen. Verschiedene KI-Algorithmen wurden zur Identifikation und Diskriminierung von Organen, Risikostrukturen und Tumoren evaluiert.

Ergebnisse

Im Tierversuch konnten 20 verschiedene Organe mit hoher Genauigkeit (> 95 %) mittels KI differenziert werden. In-vivo konnten die Nebenschilddrüse mit einem F1-Score von 47 % und einer Sensitivität von 75 % sowie der Gallengang mit einem F1-Score von 79 % und einer Sensitivität von 90 % vom umliegenden Gewebe diskriminiert werden. Des Weiteren konnte Ex-vivo-Tumorgewebe mit einer Fläche unter der „Receiver-operating-characteristic“(ROC)-Kurve (AUC) größer als 0,91 erfolgreich erkannt werden.

Diskussion

Die vorliegenden Arbeiten zeigen die Eignung intelligenter HSI zur automatischen Gewebeerkennung. Trotz großer Fortschritte in den letzten zehn Jahren zeigt intelligentes HSI noch Einschränkungen. So sind genauere und für den Benutzer verständlichere KI-Algorithmen sowie umfangreiche standardisierte und kontinuierlich wachsende Datenbanken notwendig. Weitere klinische Studien sollten die vielseitigen Anwendungen stützen und den Einsatz im klinischen Alltag fest etablieren.

Ayala L, Adler TJ, Seidlitz S et al (2022) Spectral imaging enables contrast agent-free real-time ischemia monitoring in laparoscopic surgery https://doi.org/10.1101/2022.03.08.22271465CrossRef

Ayala LA, Wirkert SJ, Gröhl J et al (2019) Live monitoring of haemodynamic changes with multispectral image analysis. In: Zhou L, Sarikaya D, Kia SM et al (Hrsg) OR 2.0 context-aware operating theaters and machine learning in clinical neuroimaging. Springer, Cham, S 38–46CrossRef

Cervantes-Sanchez F, Maktabi M, Köhler H et al (2021) Automatic tissue segmentation of hyperspectral images in liver and head neck surgeries using machine learning. AIS. https://doi.org/10.20517/ais.2021.05CrossRef

Clancy NT, Jones G, Maier-Hein L et al (2020) Surgical spectral imaging. Med Image Anal 63:101699. https://doi.org/10.1016/j.media.2020.101699CrossRefPubMedPubMedCentral

Collins T, Maktabi M, Barberio M et al (2021) Automatic recognition of colon and esophagogastric cancer with machine learning and hyperspectral imaging. Diagnostics 11:1810. https://doi.org/10.3390/diagnostics11101810CrossRefPubMedPubMedCentral

Cooney GS, Barberio M, Diana M et al (2020) Comparison of spectral characteristics in human and pig biliary system with hyperspectral imaging (HSI). Curr Dir Biomed Eng. https://doi.org/10.1515/cdbme-2020-0012CrossRef

Eggert D, Bengs M, Westermann S et al (2021) In vivo detection of head and neck tumors by hyperspectral imaging combined with deep learning methods. J Biophoton. https://doi.org/10.1002/jbio.202100167CrossRef

Halicek M, Fabelo H, Ortega S et al (2019) In-vivo and ex-vivo tissue analysis through hyperspectral imaging techniques: revealing the invisible features of cancer. Cancers 11:756. https://doi.org/10.3390/cancers11060756CrossRefPubMedCentral

Holmer A, Marotz J, Wahl P et al (2018) Hyperspectral imaging in perfusion and wound diagnostics—methods and algorithms for the determination of tissue parameters. Biomed Eng 63:547–556. https://doi.org/10.1515/bmt-2017-0155CrossRef

10.

Jansen-Winkeln B, Barberio M, Chalopin C et al (2021) Feedforward artificial neural network-based colorectal cancer detection using hyperspectral imaging: a step towards automatic optical biopsy. Cancers 13:967. https://doi.org/10.3390/cancers13050967CrossRefPubMedPubMedCentral

11.

Jansen-Winkeln B, Dvorak M, Köhler H et al (2022) Border line definition using hyperspectral imaging in colorectal resections. Cancers 14:1188. https://doi.org/10.3390/cancers14051188CrossRefPubMedPubMedCentral

12.

Kho E, Dashtbozorg B, de Boer LL et al (2019) Broadband hyperspectral imaging for breast tumor detection using spectral and spatial information. Biomed Opt Express 10:4496. https://doi.org/10.1364/BOE.10.004496CrossRefPubMedPubMedCentral

13.

Köhler H, Kulcke A, Maktabi M et al (2020) Laparoscopic system for simultaneous high-resolution video and rapid hyperspectral imaging in the visible and near-infrared spectral range. J Biomed Opt 25:86004. https://doi.org/10.1117/1.JBO.25.8.086004CrossRefPubMedCentral

14.

Lu G, Fei B (2014) Medical hyperspectral imaging: a review. J Biomed Opt 19:10901. https://doi.org/10.1117/1.JBO.19.1.010901CrossRefPubMedCentral

15.

Maktabi M, Köhler H, Ivanova M et al (2019) Tissue classification of oncologic esophageal resectates based on hyperspectral data. Int J CARS. https://doi.org/10.1007/s11548-019-02016-xCrossRef

16.

Maktabi M, Köhler H, Ivanova M et al (2020) Classification of hyperspectral endocrine tissue images using support vector machines. Int J Med Robot 16:1–10. https://doi.org/10.1002/rcs.2121CrossRefPubMed

17.

Maktabi M, Tkachenko M, Kohler H et al (2021) Using physiological parameters measured by hyperspectral imaging to detect colorectal cancer. 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Mexico, S 3865–3868

18.

Maktabi M, Wichmann Y, Köhler H et al (2022) Tumor cell identification and classification in esophageal adenocarcinoma specimens by hyperspectral imaging. Sci Rep 12:4508. https://doi.org/10.1038/s41598-022-07524-6CrossRefPubMedPubMedCentral

19.

Nickel F, Studier-Fischer A, Özdemir B et al (2021) Optimization of anastomotic technique and gastric conduit perfusion with hyperspectral imaging in an experimental model for minimally invasive esophagectomy https://doi.org/10.1101/2021.10.03.462901CrossRef

20.

Nouri D, Lucas Y, Treuillet S (2016) Hyperspectral interventional imaging for enhanced tissue visualization and discrimination combining band selection methods. Int J CARS 11:2185–2197. https://doi.org/10.1007/s11548-016-1449-5CrossRef

21.

Ortega S, Halicek M, Fabelo H et al (2020) Hyperspectral and multispectral imaging in digital and computational pathology: a systematic review. Biomed Opt Express 11:3195. https://doi.org/10.1364/BOE.386338CrossRefPubMedPubMedCentral

22.

Saiko G, Lombardi P, Au Y et al (2020) Hyperspectral imaging in wound care: a systematic review. Int Wound J. https://doi.org/10.1111/iwj.13474CrossRefPubMedPubMedCentral

23.

Seidlitz S, Sellner J, Odenthal J et al (2022) Robust deep learning-based semantic organ segmentation in hyperspectral images. Med Image Anal 80:102488. https://doi.org/10.1016/j.media.2022.102488CrossRefPubMed

24.

Shapey J, Xie Y, Nabavi E et al (2019) Intraoperative multispectral and hyperspectral label-free imaging: a systematic review of in vivo clinical studies. J Biophoton. https://doi.org/10.1002/jbio.201800455CrossRef

25.

Studier-Fischer A, Seidlitz S, Sellner J et al (2021) Spectral organ fingerprints for intraoperative tissue classification with hyperspectral imaging https://doi.org/10.1101/2021.11.24.469943CrossRef

26.

Wirkert SJ, Kenngott H, Mayer B et al (2016) Robust near real-time estimation of physiological parameters from megapixel multispectral images with inverse Monte Carlo and random forest regression. Int J CARS 11:909–917. https://doi.org/10.1007/s11548-016-1376-5CrossRef

27.

Wisotzky EL, Uecker FC, Arens P et al (2018) Intraoperative hyperspectral determination of human tissue properties. J Biomed Opt 23:1. https://doi.org/10.1117/1.JBO.23.9.091409CrossRefPubMed

28.

Yang G, Ye Q, Xia J (2022) Unbox the black-box for the medical explainable AI via multi-modal and multi-centre data fusion: a mini-review, two showcases and beyond. Inf Fusion 77:29–52. https://doi.org/10.1016/j.inffus.2021.07.016CrossRefPubMedPubMedCentral

29.

Yoon J (2022) Hyperspectral imaging for clinical applications. BioChip J 16:1–12. https://doi.org/10.1007/s13206-021-00041-0CrossRef

Titel: Künstliche Intelligenz und hyperspektrale Bildgebung zur bildgestützten Assistenz in der minimal-invasiven Chirurgie
verfasst von: PD Dr. Claire Chalopin
Felix Nickel
Annekatrin Pfahl
Hannes Köhler
Marianne Maktabi
René Thieme
Robert Sucher
Boris Jansen-Winkeln
Alexander Studier-Fischer
Silvia Seidlitz
Lena Maier-Hein
Thomas Neumuth
Andreas Melzer
Beat Peter Müller-Stich
Ines Gockel
Publikationsdatum: 07.07.2022
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Die Chirurgie / Ausgabe 10/2022
Print ISSN: 2731-6971
Elektronische ISSN: 2731-698X
DOI: https://doi.org/10.1007/s00104-022-01677-w

Neu im Fachgebiet Chirurgie

23.04.2024 | Ablationstherapie | Nachrichten

Wie erfolgreich ist eine Re-Ablation nach Rezidiv?

23.04.2024 | Appendizitis | Nachrichten

Hinter dieser Appendizitis steckte ein Erreger

23.04.2024 | Operationsvorbereitung | Nachrichten

Mehr Schaden als Nutzen durch präoperatives Aussetzen von GLP-1-Agonisten?

19.04.2024 | EAU 2024 | Kongressbericht | Nachrichten

Ureterstriktur: Innovative OP-Technik bewährt sich

weitere anzeigen

Update Chirurgie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Aktuelle BDC Leitlinien-Webinare

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

Karpaltunnelsyndrom BDC Leitlinien Webinare

CME: 2 Punkte

Das Karpaltunnelsyndrom ist die häufigste Kompressionsneuropathie peripherer Nerven. Obwohl die Anamnese mit dem nächtlichen Einschlafen der Hand (Brachialgia parästhetica nocturna) sehr typisch ist, ist eine klinisch-neurologische Untersuchung und Elektroneurografie in manchen Fällen auch eine Neurosonografie erforderlich. Im Anfangsstadium sind konservative Maßnahmen (Handgelenksschiene, Ergotherapie) empfehlenswert. Bei nicht Ansprechen der konservativen Therapie oder Auftreten von neurologischen Ausfällen ist eine Dekompression des N. medianus am Karpaltunnel indiziert.

Prof. Dr. med. Gregor Antoniadis

S2e-Leitlinie „Distale Radiusfraktur“

Radiusfraktur BDC Leitlinien Webinare

CME: 2 Punkte

Das Webinar beschäftigt sich mit Fragen und Antworten zu Diagnostik und Klassifikation sowie Möglichkeiten des Ausschlusses von Zusatzverletzungen. Die Referenten erläutern, welche Frakturen konservativ behandelt werden können und wie. Das Webinar beantwortet die Frage nach aktuellen operativen Therapiekonzepten: Welcher Zugang, welches Osteosynthesematerial? Auf was muss bei der Nachbehandlung der distalen Radiusfraktur geachtet werden?

PD Dr. med. Oliver Pieske

Dr. med. Benjamin Meyknecht

S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“

Appendizitis BDC Leitlinien Webinare

CME: 2 Punkte

Inhalte des Webinars zur S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“ sind die Darstellung des Projektes und des Erstellungswegs zur S1-Leitlinie, die Erläuterung der klinischen Relevanz der Klassifikation EAES 2015, die wissenschaftliche Begründung der wichtigsten Empfehlungen und die Darstellung stadiengerechter Therapieoptionen.

Dr. med. Mihailo Andric

Springer Medizin

Zusammenfassung

Hintergrund

Fragestellung

Material und Methoden

Ergebnisse

Diskussion

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 10/2022

Funktionelle Vorteile der Double-tract-Rekonstruktion nach Ösophagektomie

Intraoperative fluoreszenzgestützte Perfusionsmessung mit Indocyaningrün – erhöhte Sicherheit bei gastrointestinalen Anastomosen?

Multimodale spektroskopische Bildgebung

Langzeitergebnisse nach laparoskopischer distaler Magenresektion bei lokal fortgeschrittenen Tumoren

Spezifika der Lehre in der Gefäßchirurgie im interdisziplinär-chirurgischen Setting

Organerhalt bei Patienten mit Rektumkarzinom nach total-neoadjuvanter Therapie

Neu im Fachgebiet Chirurgie

Wie erfolgreich ist eine Re-Ablation nach Rezidiv?

Hinter dieser Appendizitis steckte ein Erreger

Mehr Schaden als Nutzen durch präoperatives Aussetzen von GLP-1-Agonisten?

Ureterstriktur: Innovative OP-Technik bewährt sich

Update Chirurgie

Aktuelle BDC Leitlinien-Webinare

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

S2e-Leitlinie „Distale Radiusfraktur“

S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“