אופטימיזציה של קבלת החלטות כירורגיות באדנוקרצינומה של הריאה באמצעות זיהוי טרום-ניתוחי של גורמי סיכון פתולוגיים

מה בדקו

המחקר ביקש להתגבר על מגבלת הרגישות הנמוכה של בדיקות פתולוגיות מהירות במהלך הניתוח (Frozen Section), המשמשות כיום לקבלת החלטות על היקף הכריתה. לצורך כך, פותח ואומת מודל למידה עמוקה מסוג KB-GCN המנתח סריקות CT טרום-ניתוחיות במטרה לזהות גורמי סיכון פתולוגיים (PHRFs) באדנוקרצינומה של הריאה בשלביה המוקדמים. המחקר כלל שלב רטרוספקטיבי לפיתוח המודל ושלב פרוספקטיבי שבו נבחן המודל על 200 מועמדים לניתוח, תוך השוואת ביצועיו לאלו של הפתולוגיה המהירה (FS) והתוצאות הפתולוגיות הסופיות.

**## מה מצאו

המודל הפגין רגישות גבוהה משמעותית (82%) בהשוואה לבדיקות הפתולוגיות המהירות (59%), תוך הצלחה גבוהה במיוחד בניתוח של גושים בעלי רכיב מוצק וגידולים בגודל 1-3 ס"מ.** אף שספציפיות המודל הייתה מעט נמוכה יותר מהבדיקה המסורתית (75% לעומת 92%), החוקרים מצאו כי הוא מפצה בהצלחה על החסר המרכזי ברגישות של הבדיקות הקיימות. השילוב בין הערכה טרום-ניתוחית מבוססת בינה מלאכותית לבין הבדיקה הפתולוגית תוך-ניתוחית עשוי לשפר את הדיוק האבחוני ולאפשר למנתחים לבצע החלטות מושכלות יותר בנוגע לסוג הניתוח המיטבי לכל מטופל.

“המחקר כלל שלב רטרוספקטיבי לפיתוח המודל ושלב פרוספקטיבי שבו נבחן המודל על 200 מועמדים לניתוח, תוך השוואת ביצועיו לאלו של הפתולוגיה המהירה (FS) והתוצאות הפתולוגיות הסופיות.”