Feasibility of Diffuse Reflectance Spectroscopy for Distal Margin Assessment in Colorectal Cancer Surgery

Resumo Técnico: Viabilidade da Espectroscopia de Refletância Difusa para Avaliação da Margem Distal em Cirurgia de Câncer Colorretal

Definição do Problema
Na cirurgia de câncer colorretal, particularmente em tumores retais, alcançar uma margem de ressecção distal (DRM) adequada é crítico para a segurança oncológica, mantendo simultaneamente a função do esfíncter. Os métodos intraoperatórios atuais para avaliar a DRM apresentam limitações significativas. O tatuamento, utilizado para marcar os limites do tumor pré-operatoriamente, sofre com a dispersão da tinta e baixa precisão (tão baixa quanto 6f%). A análise de seção congelada, o padrão-ouro atual, é demorada, pode falhar na detecção da disseminação tumoral distal devido à fragmentação da lesão após quimiorradioterapia e depende fortemente da preferência do cirurgião. Além disso, procedimentos laparoscópicos e robóticos carecem de feedback tátil, tornando desafiadora a localização dos limites do tumor distal. Há uma necessidade de um sistema de orientação em tempo real, sem contato, que possa distinguir rapidamente o tecido tumoral do tecido saudável para auxiliar os cirurgiões na determinação do nível ideal de trancessão.

Metodologia
Este estudo empregou um delineamento prospectivo, ex vivo, envolvendo 86 pacientes com câncer colorretal (T3 ou superior) no Instituto do Câncer da Holanda.

• Aquisição de Dados: Foi utilizado um sistema de Espectroscopia de Refletância Difusa (DRS) de banda larga (400–1600 nm) utilizando uma fonte de luz laser e dois espectrômetros. Diferente dos sistemas tradicionais baseados em pontos, esta configuração operou continuamente, capturando de 5 a 8 espectros por segundo. As medições foram realizadas em espécimes recém-excisados imediatamente após a remoção.
  • Medições de Tumor: Realizadas sobre a localização bruta do tumor.
  • Medições de Não-Tumor: Realizadas em parede de cólon/reto saudável e tecido adiposo a pelo menos 1 cm de distância do tumor.
  • Volume: Um total de 39.741 espectros foram coletados (22.451 não-tumor, 17.290 tumor).
• Verdade de Campo (Ground Truth): Rótulos de tecido foram atribuídos com base na análise histopatológica. Os espectros foram rotulados como "tumor colorretal" se o tecido tumoral estivesse presente no local da medição (independentemente da profundidade) e "não-tumor" caso contrário.
• Pré-processamento de Dados: Os espectros foram calibrados contra referências de escuro e branco, costurados para criar um intervalo contínuo de 400–1600 nm (356 bandas) e normalizados usando Variância de Variável de Norma Padrão (SNV) para corrigir variações de intensidade.
• Pipeline de Aprendizado de Máquina:
  • Seleção de Características: Cinco estratégias foram avaliadas: (A) Espectros completos, (B) Primeira derivada dos espectros, (C) Regressão LASSO, (D) Análise Discriminante Linear (LDA) e (E) agrupamento de bandas espectrais por k-means.
  • Classificadores: Cinco modelos foram testados: SVM de Função de Base Radial (RBF), SVM Polinomial, SVM de Vetor de Suporte Linear, Perceptron Multicamadas (MLP) e Floresta Aleatória (Random Forest).
  • Estratégia de Treinamento: Os dados foram divididos por paciente (80% treinamento/validação, 20% teste) para evitar vazamento de dados (leakage). A Técnica de Sobreamostragem de Minorias Sintéticas (SMOTE) foi usada para equilibrar as classes. O ajuste de hiperparâmetros (busca em grade para $C$ e $\gamma$) foi realizado ao longo de dez iterações com diferentes divisões de pacientes para garantir robustez.
• Teste de Prova de Conceito: O modelo final otimizado foi testado em três espécimes frescos. As medições foram realizadas linearmente através da fronteira do tumor, com feedback em tempo real fornecido via um sinal auditivo (mudança de tom) indicando o tipo de tecido previsto. A fronteira prevista foi marcada com uma sutura e comparada com a borda macroscópica do tumor.

Principais Resultados

• Desempenho do Modelo: A configuração ideal utilizou a primeira derivada dos espectros como características de entrada combinada com um SVM de Função de Base Radial (RBF).
  • Coeficiente de Correlação de Matthews (MCC): 0,820 ± 0,015.
  • Sensibilidade: 0,888 ± 0,015.
  • Especificidade: 0,928 ± 0,028.
  • AUROC: 0,95.
• Análise de Características: O uso da primeira derivada superou consistentemente outros métodos de seleção de características (incluindo espectros completos e k-means) na maioria dos classificadores, provavelmente devido à redução de ruído e ao aumento das variações espectrais sutis.
• Ajuste de Hiperparâmetros: O melhor desempenho foi alcançado com $C=1$ e $\gamma=10$. O estudo observou que, embora o ponto de operação padrão não correspondesse à especificidade da seção congelada (100%), o ajuste do limiar de classificação permitiu que o modelo DRS alcançasse uma especificidade de 0,95 mantendo a mesma sensibilidade da seção congelada (0,85).
• Validação Prospectiva: No teste de prova de conceito em espécimes frescos, o modelo identificou com sucesso a fronteira do tumor com alta precisão, demonstrando a viabilidade da detecção em tempo real, apesar da falta de feedback tátil.

Significância e Alegações
Os autores afirmam que este estudo fornece uma prova de conceito prospectiva demonstrando a viabilidade do uso de DRS combinado com aprendizado de máquina para distinguir regiões tumorais de não-tumorais em cirurgia de câncer colorretal.

• Utilidade Clínica: O sistema oferece uma solução potencial para orientação intraoperatória em tempo real, permitindo que os cirurgiões equilibrem a segurança oncológica com a preservação do esfíncter, particularmente em tumores retais baixos onde a precisão milimétrica é vital.
• Vantagens sobre os Padrões Atuais: Ao contrário das seções congeladas, a DRS fornece resultados quase instantâneos sem a necessidade de remoção de tecido ou agentes de contraste. Ao contrário do tatuamento, não sofre com a dispersão da tinta.
• Robustez: O estudo destaca que o modelo apresentou bom desempenho mesmo na presença de heterogeneidade tecidual (ex: tumor misto e fibrose após terapia neoadjuvante), um desafio comum no câncer colorretal.
• Direções Futuras: Os autores declaram modestamente que, embora os resultados atuais sejam promissores, o trabalho futuro deve focar na validação prospectiva em novos pacientes durante a cirurgia real. Eles também identificam a necessidade de explorar designs de sondas com penetração mais profunda para detectar melhor tumores situados além da profundidade de amostragem atual de 1–2 mm, particularmente para tumores T2 ou em cenários onde o tumor se estende além da zona de amostragem imediata.

O artigo conclui que a determinação rápida da margem distal intraoperatória é uma possibilidade usando esta tecnologia, mas enfatiza que validação adicional é necessária antes da implementação clínica.