Splotowe sieci neuronowe wykorzystujące przedoperacyjne TK do przewidywania krótkoterminowych nawrotów po naprawie przepukliny pooperacyjnej

Dlaczego przewidywanie powikłań chirurgicznych ma znaczenie

Gdy pacjenci przechodzą zabieg naprawy przepukliny ściany brzucha, która powstała w miejscu wcześniejszego nacięcia, wszyscy mają nadzieję, że naprawa będzie trwała. Jednak w zauważalnej mniejszości przypadków przepuklina się odtwarza, co często oznacza więcej bólu, kolejny zabieg i wyższe koszty. Chirurdzy zwykle oceniają to ryzyko na podstawie doświadczenia i kilku czynników klinicznych, ale takie osądy są niedoskonałe. W badaniu sprawdzono, czy rodzaj sztucznej inteligencji, wytrenowany na rutynowych przedoperacyjnych skanach TK, może pomóc przewidzieć, którzy pacjenci najprawdopodobniej doświadczą nawrotu po naprawie przepukliny pooperacyjnej.

Przekształcanie rutynowych skanów w prognozy

Badacze retrospektywnie przeanalizowali 528 pacjentów, którzy przeszli zabieg naprawy przepukliny pooperacyjnej w dużym szpitalu w latach 2016–2019. Wszyscy mieli wykonane przed operacją skany TK brzucha, uwidaczniające wielkość, lokalizację i kształt przepukliny oraz przyległych tkanek. Zespół wydzielił 44 380 pojedynczych warstw obrazów pokazujących obszar przepukliny, usunął wszystkie informacje identyfikujące pacjentów, ujednolicił obrazy do standardowego formatu i podzielił je na dużą część treningową oraz mniejszy zbiór testowy. Co ważne, modele komputerowe nigdy „nie widziały” obrazów testowych podczas treningu, co pozwoliło obiektywnie ocenić, jak system będzie działał u nowych pacjentów.

Jak komputer uczy się z obrazów

Do analizy skanów autorzy użyli trzech popularnych modeli głębokiego uczenia przeznaczonych do obrazów, zwanych splotowymi sieciami neuronowymi. Sieci te, pierwotnie opracowane do zadań takich jak rozpoznawanie obiektów na fotografiach, doskonale radzą sobie z wykrywaniem wzorców w złożonych obrazach. Podczas treningu każda warstwa TK była oznaczana zgodnie z tym, czy u pacjenta później doszło do nawrotu, czy nie. Sieci wielokrotnie porównywały swoje przewidywania z rzeczywistymi wynikami i modyfikowały wewnętrzne połączenia, aby zmniejszyć błąd. Dla każdego pacjenta przewidywania z wielu warstw zostały połączone w jedną ocenę ryzyka nawrotu.

Który model wypadł najlepiej

Trzy modele — ResNet-50, jego głębsza wersja ResNet-152 oraz VGG16 — nie osiągały jednakowej wydajności. Podczas testów na wcześniej niewidzianych obrazach ResNet-50 wykazał najsilniejszą zdolność rozróżniania pacjentów, u których wystąpiłby nawrot, od tych, u których nie wystąpił. Jego wydajność, podsumowana standardową miarą zwaną polem pod krzywą, była zauważalnie wyższa niż pozostałych sieci. Analiza statystyczna potwierdziła, że różnice te raczej nie były dziełem przypadku. Aby zrozumieć, „na co” patrzyły sieci, zespół użył także metody wizualizacji podświetlającej obszary obrazu najważniejsze dla predykcji, co ujawniło, że największe znaczenie miały rejony wokół ubytku przepuklinowego i ściany brzucha.

Co to może znaczyć dla pacjentów i chirurgów

Jeśli narzędzia do prognozowania oparte na obrazach zostaną dopracowane i zwalidowane w wielu szpitalach, mogłyby stanowić obiektywną drugą opinię obok oceny chirurga. Dokładniejsza ocena ryzyka nawrotu, obliczona przed zabiegiem na podstawie skanu będącego już częścią standardowej opieki, mogłaby pomóc w decyzjach dotyczących terminu operacji, wyboru podejścia chirurgicznego, typu i rozmiaru siatki oraz tego, czy pacjent powinien być skierowany do ośrodka specjalizującego się w przepuklinach. Pacjenci o wysokim ryzyku mogli by otrzymać zalecenia dotyczące dodatkowych działań wzmacniających naprawę, podczas gdy pacjenci o niskim ryzyku mogliby uniknąć bardziej agresywnych interwencji.

Kolejne kroki

Autorzy podkreślają, że jest to wczesne dowiedzenie koncepcji, a nie gotowe narzędzie kliniczne. Badanie opiera się na pacjentach z jednego szpitala, wykorzystuje relatywnie umiarkowaną liczbę przypadków jak na standardy uczenia głębokiego i polega wyłącznie na obrazowaniu, pomijając inne istotne czynniki, takie jak stan ogólny, wcześniejsze operacje czy technika chirurgiczna. Przyszłe badania będą musiały łączyć cechy wyodrębnione z TK z dokładnymi danymi klinicznymi i operacyjnymi, testować modele na większych i bardziej zróżnicowanych populacjach oraz zapewnić, że przewidywania będą zrozumiałe i godne zaufania dla klinicystów. Mimo to wyniki sugerują, że inteligentna analiza rutynowych obrazów medycznych może pewnego dnia pomóc spersonalizować leczenie przepuklin i zmniejszyć ryzyko niechcianej kolejnej naprawy.

Cytowanie: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Słowa kluczowe: przepuklina pooperacyjna, nawroty przepukliny, uczenie głębokie, obrazowanie TK, wyniki leczenia chirurgicznego