A hyperspectral optical surgical tool for circumferential resection margin assessment in gastrointestinal cancer surgery

Abstract

Gastrointestinal (GI) cancers represent a significant contributor to the global cancer burden. Surgery typically constitutes the primary therapeutic approach for GI malignancies, with the primary objective of maximising tumour tissue excision while maintaining an adequate margin of healthy tissue (clear margin) surrounding the tumour. The presence of a clear margin, devoid of cancer cells, is essential in minimising the risk of cancer recurrence. Accurate mapping of tumour margins is crucial for achieving a negative resection margin. Local recurrence following surgical resection significantly impacts the overall survival and quality of life for patients with GI cancer. In this thesis, we have investigated diffuse reflectance spectroscopy (DRS) technology, combined with artificial intelligence, to develop a pioneering optical surgical tool aimed atimproving the identification of resection margins in GI cancer surgery. The primary goal is to enhance the precision and reliability of tumour margin demarcation, thereby increasing the likelihood of complete tumour removal with clear margins, which is critical for reducing the risk of cancer recurrence and improving patient survival and quality of life. This work presents a two-fold unique contribution towards theoptimal resection margins assessment in GI surgery. Firstly, by introducing a novel exploratory data analysis and classification routine employing deep neural networks to distinguish healthy and malignant tissues based on spectral measurements, and secondly, by developing a deep learning model to facilitate the detection and tracking of the DRS fibre probe during surgery. This approach represents a significant advancement over previous studies by providing a comprehensive analysis using machine learning techniques for GI cancer discrimination and addressing the challenge of probe detection and tracking for the first time. Through validation in clinical settings, this work aims to advance the standard of care in GI cancer surgery, demonstrating the potential of DRS technology and AI to improvesurgical outcomes.

Οι καρκίνοι του γαστρεντερικού συστήματος (GI) αποτελούν σημαντική επιβάρυνση για τη δημόσια υγεία παγκοσμίως. Η χειρουργική επέμβαση συνιστά συνήθως την κύρια θεραπευτική προσέγγιση για τις κακοήθειες του γαστρεντερικού συστήματος, με πρωταρχικό στόχο τη μέγιστη δυνατή αφαίρεση του καρκινικού ιστού, διατηρώντας παράλληλα επαρκές περιθώριο υγιούς ιστού γύρω από τον όγκο (ελεύθερα όρια εκτομής). Η εξασφάλιση ελεύθερων ορίων εκτομής, απαλλαγμένων από καρκινικά κύτταρα, είναι καθοριστικής σημασίας για την ελαχιστοποίηση του κινδύνου υποτροπής της νόσου. Η ακριβής χαρτογράφηση των ορίων του όγκου είναι απαραίτητη για την επίτευξη αρνητικών ορίων εκτομής. Η τοπική υποτροπή μετά τη χειρουργική αφαίρεση επηρεάζει σημαντικά τη συνολική επιβίωση και την ποιότητα ζωής των ασθενών με καρκίνο του γαστρεντερικού συστήματος. Στην παρούσα διδακτορική διατριβή διερευνήθηκε η τεχνολογία της Φασματοσκοπίας Διάχυτης Ανάκλασης (Diffuse Reflectance Spectroscopy – DRS), σε συνδυασμό με την Τεχνητή Νοημοσύνη (Artificial Intelligence – AI), με σκοπό την ανάπτυξη ενός καινοτόμου οπτικού χειρουργικού εργαλείου για τη βελτίωση του προσδιορισμού των ορίων εκτομής κατά τη χειρουργική αντιμετώπιση καρκίνων του γαστρεντερικού συστήματος. Ο πρωταρχικός στόχος είναι η ενίσχυση της ακρίβειας και της αξιοπιστίας στον προσδιορισμό των ορίων του όγκου, αυξάνοντας κατ’ αυτόν τον τρόπο την πιθανότητα πλήρους αφαίρεσής του με ελεύθερα όρια εκτομής. Η επίτευξη αυτού του στόχου είναι καθοριστική για τη μείωση του κινδύνου υποτροπής της νόσου και τη βελτίωση της επιβίωσης και της ποιότητας ζωής των ασθενών. Η παρούσα εργασία παρουσιάζει δύο διακριτές και πρωτότυπες επιστημονικές συνεισφορές στην κατεύθυνση της βέλτιστης αξιολόγησης των ορίων εκτομής στη χειρουργική του γαστρεντερικού συστήματος. Η πρώτη αφορά την ανάπτυξη μιας καινοτόμου μεθοδολογίας διερευνητικής ανάλυσης δεδομένων και ταξινόμησης, η οποία αξιοποιεί βαθιά νευρωνικά δίκτυα (Deep Neural Networks – DNNs) για τη διάκριση μεταξύ υγιών και κακοήθων ιστών, βάσει φασματικών μετρήσεων. Η δεύτερη αφορά την ανάπτυξη ενός μοντέλου βαθιάς μάθησης (Deep Learning) που επιτρέπει την ανίχνευση και την παρακολούθηση της θέσης του αισθητήρα οπτικής ίνας της τεχνολογίας DRS κατά τη διάρκεια της χειρουργικής επέμβασης. Η προτεινόμενη προσέγγιση συνιστά σημαντική πρόοδο σε σχέση με προηγούμενες μελέτες, καθώς αφενός παρέχει μια ολοκληρωμένη ανάλυση για τη διάκριση καρκινικών και υγιών ιστών του γαστρεντερικού συστήματος μέσω τεχνικών μηχανικής μάθησης και αφετέρου αντιμετωπίζει, για πρώτη φορά, την πρόκληση της ανίχνευσης και παρακολούθησης της θέσης του οπτικού αισθητήρα κατά τη διάρκεια της χειρουργικής επέμβασης. Μέσω της αξιολόγησης και επικύρωσης της προτεινόμενης μεθοδολογίας σε κλινικό περιβάλλον, η παρούσα εργασία φιλοδοξεί να συμβάλει στην εξέλιξη της καθιερωμένης κλινικής πρακτικής στη χειρουργική ογκολογία του γαστρεντερικού συστήματος, αναδεικνύοντας τις δυνατότητες της τεχνολογίας DRS και της Τεχνητής Νοημοσύνης για τη βελτίωση των χειρουργικών αποτελεσμάτων.