Three-Dimensional Anatomical Classification and Machine Learning Prediction of the P6a–Right Hepatic Vein Relationship: Surgical Implications for Laparoscopic Right Anterior Sectionectomy

Imaginez le foie humain comme une ville trépidante en trois dimensions, faite de tissu mou et spongieux. Pour opérer ici, les médecins ont besoin d'une carte parfaite. Ils s'appuient sur des « autoroutes » (les vaisseaux sanguins) pour savoir où couper et où s'arrêter. L'une des autoroutes les plus importantes est la veine hépatique droite, un fleuve majeur qui draine le sang du côté droit du foie. Habituellement, ce fleuve suit un chemin prévisible, agissant comme un panneau de signalisation fiable qui dit au chirurgien : « Coupez ici, et vous serez en sécurité. » Cependant, tout comme dans une vraie ville, les routes sont parfois construites différemment. Une petite rue adjacente, appelée veine P6a, peut parfois faire un détour, passant par-dessus ou par-dessous le fleuve principal de manière inattendue. Si un chirurgien ne sait pas que ce détour existe avant de commencer, il pourrait accidentellement couper la mauvaise rue, provoquant des embouteillages (hémorragies) ou laissant certaines parties de la ville sans électricité (dommages tissulaires). Cela est particulièrement délicat lorsque la chirurgie est réalisée par de minuscules orifices à l'aide d'une caméra (laparoscopie), car le chirurgien ne peut pas sentir le tissu avec ses mains, il ne peut que le voir sur un écran.

C'est là qu'une équipe de chercheurs de l'Air Force Medical Center et d'autres institutions est intervenue. Ils se sont posé une question simple mais vitale : pouvons-nous examiner le scanner 3D d'un patient avant la chirurgie et prédire exactement comment cette petite rue adjacente (la veine P6a) va se comporter ? Pour y répondre, ils n'ont pas seulement regardé les images ; ils ont appris à un ordinateur à être un détective. Ils ont utilisé une branche de l'intelligence artificielle appelée « apprentissage automatique » (machine learning), qui est comme un étudiant très intelligent qui apprend des modèles en étudiant des exemples. Les chercheurs ont nourri l'ordinateur avec les données de 100 patients, lui apprenant à distinguer une configuration « normale » d'une configuration « complexe ». Ils ont découvert que l'ordinateur pouvait apprendre à prédire la configuration complexe avec une précision surprenante. En utilisant un outil spécial appelé SHAP (qui agit comme une loupe pour montrer pourquoi l'ordinateur a pris une décision), ils ont découvert que l'angle entre certains vaisseaux sanguins et la forme de la « fissure » du foie (la vallée entre les sections du foie) étaient les indices les plus importants. Leur étude suggère qu'en utilisant ce cristal de voyance numérique, les chirurgiens peuvent mieux planifier leurs mouvements, évitant les détours dangereux et rendant les chirurgies hépatiques complexes plus sûres pour les patients.

Le travail de détective : Cartographier les routes secrètes du foie

Les chercheurs ont commencé par rassembler une équipe de 100 patients ayant subi des scanners CT 3D détaillés de leur foie. Ils voulaient classer ces patients en deux groupes selon la façon dont la veine P6a (la rue adjacente) se rapportait à la veine hépatique droite (le fleuve principal).

• Le groupe « Dorsal » : Chez 59 % des patients, la veine P6a passait derrière le fleuve principal. C'est le chemin le plus courant et le plus prévisible.
• Le groupe « Ventral » : Chez 41 % des patients, la veine P6a passait devant le fleuve principal. C'est le chemin « complexe » qui rend la chirurgie plus difficile.

L'équipe a ensuite mesuré divers angles et distances sur les modèles 3D, cherchant des indices qui pourraient indiquer à quel groupe appartient un patient avant même que la chirurgie ne commence. Ils ont trouvé des différences fascinantes :

• L'angle de la fourche : Dans le groupe « complexe », l'angle entre les branches antérieure et postérieure de la veine porte était beaucoup plus aigu (moyenne de 82,27°) par rapport au groupe « normal » (98,02°).
• Le contact étroit : Dans le groupe « complexe », la veine P6a commençait souvent très près d'une autre branche majeure (à moins de 5 mm de distance) dans 37 % des cas, alors que cela ne se produisait que dans 10 % du groupe « normal ».
• Le virage du fleuve : L'angle entre la veine hépatique principale et la plus grosse veine du corps (la veine cave inférieure) était plus large dans le groupe « complexe » (52,23°) par rapport au groupe « normal » (43,97°).

L'étudiant ordinateur : Cinq modèles, un vainqueur

Pour transformer ces mesures en un outil de prédiction, les chercheurs ont entraîné cinq types différents de modèles d'apprentissage automatique. Considérez cela comme cinq étudiants essayant de résoudre l'énigme :

1. La Régression Logistique (LR) : Un penseur direct et logique.
2. La Forêt Aléatoire (RF) : Un comité d'arbres de décision.
3. Les K plus proches voisins (K-NN) : Un étudiant qui regarde qui sont ses voisins.
4. La Machine à Vecteurs de Support (SVM) : Un étudiant qui trace des lignes pour séparer les groupes.
5. XGBoost : Un apprenant puissant et itératif.

Ils ont divisé les données, donnant 70 % aux étudiants pour l'entraînement (practice) et gardant 30 % pour un examen final (test). Bien que le « comité » (Random Forest) et le « puissant apprenant » (XGBoost) aient été incroyablement doués pour mémoriser les questions d'entraînement, ils ont un peu trébuché lors de l'examen final. Le modèle de Régression Logistique, cependant, a été le plus constant. Il a démontré un surapprentissage (overfitting) minimal et a obtenu la meilleure performance sur l'ensemble de test (un score F1 de 0,741), montrant qu'il ne s'était pas contenté de mémoriser les données mais qu'il se généralisait bien à de nouveaux cas.

Le « Pourquoi » derrière le « Quoi »

Les chercheurs ne voulaient pas seulement une boîte noire qui donne une réponse ; ils voulaient savoir pourquoi l'ordinateur faisait son choix. En utilisant une méthode appelée SHAP (qui signifie SHapley Additive exPlanations), ils ont pu voir quels indices comptaient le plus. Il s'est avéré que l'ordinateur prêtait le plus d'attention à :

1. L'angle entre les branches de la veine porte antérieure et postérieure.
2. L'angle de la fissure hépatique droite (la vallée entre les sections du foie).
3. La distance entre le point de départ de la P6a et la branche postérieure.
4. Le diamètre (largeur) de la veine P6a.

L'analyse a montré qu'un angle plus aigu entre les branches portales et un angle plus large entre la veine hépatique et la veine principale du corps étaient des indicateurs forts que le patient appartenait au groupe ventral « complexe ».

Ce que cela signifie pour la chirurgie

L'étude conclut que ce modèle d'apprentissage automatique peut prédire efficacement si un patient présente la configuration complexe de la veine P6a ventrale. Pourquoi est-ce important ? Parce qu'en cas de sectionectomie antérieure droite laparoscopique (une chirurgie pour retirer la partie antérieure du foie droit), connaître la disposition est primordial.

• Pour les patients « Normaux » (Dorsaux) : La chirurgie est relativement simple. Le fleuve principal (RHV) est facile à voir, et la vallée entre les sections du foie est plate, ce qui en fait un guide sûr pour la coupe.
• Pour les patients « Complexes » (Ventraux) : Le fleuve principal est plus difficile à voir, la vallée est escarpée et la « rue adjacente » (P6a) est dangereusement proche d'autres structures. Si un chirurgien ne le sait pas à l'avance, il pourrait accidentellement couper le mauvais vaisseau ou endommager le tissu hépatique restant.

En utilisant ce modèle prédictif, les chirurgiens peuvent identifier les patients à haut risque avant même de faire la première incision. Cela leur permet de planifier leur stratégie, par exemple en utilisant un guidage par échographie pendant l'opération ou en ajustant leur approche de la « gaine de Glisson » (la couverture protectrice des vaisseaux sanguins). Bien que l'étude soit basée sur un groupe spécifique de 100 patients et nécessite des tests supplémentaires sur des groupes plus larges pour être adoptée de manière universelle, elle offre un nouvel outil prometteur pour transformer une chirurgie complexe et risquée en une procédure plus sûre et plus prévisible.