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

Immaginate il fegato umano come una vivace città tridimensionale fatta di tessuto morbido e spugnoso. Per eseguire un intervento chirurgico qui, i medici hanno bisogno di una mappa perfetta. Si affidano alle "autostrade" (vasi sanguigni) per sapere dove tagliare e dove fermarsi. Una delle autostrade più importanti è la Vena Epatica Destra, un grande fiume che drena il sangue dal lato destro del fegato. Di solito, questo fiume scorre in un percorso prevedibile, agendo come un segnale stradale affidabile che dice al chirurgo: "Taglia qui, e sarai al sicuro". Tuttavia, proprio come in una vera città, a volte le strade vengono costruite in modo diverso. Una piccola strada laterale, chiamata vena P6a, può a volte fare una deviazione, passando sopra o sotto il fiume principale in modi inaspettati. Se un chirurgo non sa che questa deviazione esiste prima di iniziare, potrebbe accidentalmente tagliare la strada sbagliata, causando ingorghi stradali (emorragie) o lasciando parti della città senza energia (danni ai tessuti). Questo è particolarmente complicato quando l'intervento viene eseguito attraverso piccoli fori usando una telecamera (laparoscopia), perché il chirurgo non può sentire il tessuto con le mani, ma può solo vederlo su uno schermo.

È qui che un team di ricercatori del Centro Medico dell'Aeronautica Militare e di altre istituzioni è intervenuto. Si sono posti una domanda semplice ma vitale: possiamo guardare una scansione 3D di un paziente prima dell'intervento e prevedere esattamente come si comporterà quella piccola strada laterale (P6a)? Per rispondere a questo, non si sono limitati a guardare le immagini; hanno insegnato a un computer a essere un detective. Hanno utilizzato un ramo dell'intelligenza artificiale chiamato "apprendimento automatico" (machine learning), che è come uno studente super intelligente che impara i modelli studiando esempi. I ricercatori hanno fornito al computer i dati di 100 pazienti, insegnandogli a distinguere tra una disposizione "normale" e una "complicata". Hanno scoperto che il computer poteva imparare a prevedere la disposizione complicata con una precisione sorprendente. Utilizzando uno strumento speciale chiamato SHAP (che funge da lente d'ingrandimento per mostrare perché il computer ha preso una decisione), hanno scoperto che l'angolo tra certi vasi sanguigni e la forma della "fessura" del fegato (la valle tra le sezioni del fegato) erano gli indizi più importanti. Il loro studio suggerisce che, utilizzando questo cristallo di veggenza digitale, i chirurghi possono pianificare meglio le loro mosse, evitando le deviazioni pericolose e rendendo le operazioni complesse al fegato più sicure per i pazienti.

Il lavoro da detective: Mappare le strade segrete del fegato

I ricercatori hanno iniziato raccogliendo un team di 100 pazienti che avevano subito scansioni TC 3D dettagliate dei loro fegati. Volevano suddividere questi pazienti in due gruppi in base a come la vena P6a (la strada laterale) si relazionava con la Vena Epatica Destra (il fiume principale).

• Il Gruppo "Dorsale": Nel 59% dei pazienti, la vena P6a passava dietro il fiume principale. Questo è il percorso più comune e prevedibile.
• Il Gruppo "Ventrale": Nel 41% dei pazienti, la vena P6a passava davanti al fiume principale. Questo è il percorso "complicato" che rende l'intervento più difficile.

Il team ha poi misurato vari angoli e distanze sui modelli 3D, cercando indizi che potessero dire loro a quale gruppo apparteneva il paziente prima ancora che l'intervento iniziasse. Hanno trovato alcune differenze affascinanti:

• L'Angolo della Biforcazione: Nel gruppo "complicato", l'angolo tra i rami anteriore e posteriore della vena porta era molto più acuto (media di 82,27°) rispetto al gruppo "normale" (98,02°).
• Il Vicinissimo Passaggio: Nel gruppo "complicato", la vena P6a spesso iniziava molto vicino a un altro ramo importante (a meno di 5 mm di distanza), mentre questo accadeva solo nel 10% del gruppo "normale".
• La Curva del Fiume: L'angolo tra la vena epatica principale e la vena più grande del corpo (vena cava inferiore) era più ampio nel gruppo "complicato" (52,23°) rispetto al gruppo "normale" (43,97°).

Lo Studente Computer: Cinque Modelli, Un Vincitore

Per trasformare queste misurazioni in uno strumento di previsione, i ricercatori hanno addestrato cinque diversi tipi di modelli di machine learning. Pensate a questi come a cinque diversi studenti che cercano di risolvere il puzzle:

1. Regressione Logistica (LR): Un pensatore logico e diretto.
2. Random Forest (RF): Un comitato di alberi decisionali.
3. K-Nearest Neighbors (K-NN): Uno studente che guarda chi sono i suoi vicini.
4. Support Vector Machine (SVM): Uno studente che traccia linee per separare i gruppi.
5. XGBoost: Un apprendista potente e iterativo.

Hanno diviso i dati, dando il 70% agli studenti per l'esercitazione (addestramento) e tenendo il 30% per l'esame finale (test). Mentre il "comitato" (Random Forest) e il "potente apprendista" (XGBoost) erano incredibilmente bravi a memorizzare le domande di esercitazione, hanno avuto qualche difficoltà durante l'esame finale. Il modello di Regressione Logistica, tuttavia, è stato il più costante. Ha dimostrato un overfitting minimo e ha ottenuto le migliori prestazioni sul set di test (un F1-score di 0,741), mostrando di non aver solo memorizzato i dati, ma di aver generalizzato bene a nuovi casi.

Il "Perché" dietro il "Cosa"

I ricercatori non volevano solo una scatola nera che desse una risposta; volevano sapere perché il computer avesse fatto la sua scelta. Utilizzando un metodo chiamato SHAP (che sta per SHapley Additive Explanations), potevano vedere quali indizi contavano di più. È risultato che il computer prestava la massima attenzione a:

1. L'angolo tra i rami della vena porta anteriore e posteriore.
2. L'angolo della fessura epatica destra (la valle tra le sezioni del fegato).
3. La distanza dal punto di inizio della P6a al ramo posteriore.
4. Il diametro (larghezza) della vena P6a.

L'analisi ha dimostrato che un angolo più acuto tra i rami portali e un angolo più ampio tra la vena epatica e la vena principale del corpo erano forti indicatori che il paziente apparteneva al gruppo ventrale "complicato".

Cosa significa per la chirurgia

Lo studio conclude che questo modello di machine learning può prevedere efficacemente se un paziente presenta la disposizione "complicata" della P6a ventrale. Perché questo è importante? Perché in una resezione anteriore destra laparoscopica (un intervento per rimuovere la parte anteriore del fegato destro), conoscere la disposizione è tutto.

• Per i pazienti "Normali" (Dorsali): L'intervento è relativamente semplice. Il fiume principale (RHV) è facile da vedere e la valle tra le sezioni del fegato è piatta, rendendola una guida sicura per il taglio.
• Per i pazienti "Complicati" (Ventrali): Il fiume principale è più difficile da vedere, la valle è ripida e la "strada laterale" (P6a) è pericolosamente vicina ad altre strutture. Se un chirurgo non lo sapesse in anticipo, potrebbe accidentalmente tagliare il vaso sbagliato o danneggiare il tessuto epatico rimanente.

Utilizzando questo modello predittivo, i chirurghi possono identificare i pazienti ad alto rischio prima ancora di compiere il primo taglio. Ciò consente loro di pianificare la strategia, ad esempio utilizzando la guida ecografica durante l'operazione o regolando il loro approccio alla "guaina di Glisson" (il rivestimento protettivo dei vasi sanguigni). Sebbene lo studio si basi su un gruppo specifico di 100 pazienti e necessiti di ulteriori test su gruppi più ampi per essere adottato universalmente, offre un nuovo strumento promettente per trasformare un intervento complesso e rischioso in una procedura più sicura e prevedibile.