Resumen

Importancia: La cirugía de cáncer oral requiere una delineación precisa de los márgenes para equilibrar la resección completa con la funcionalidad posoperatoria. Los sistemas actuales de imágenes de fluorescencia in vivo brindan una evaluación de márgenes bidimensional pero no cuantifican la profundidad del tumor antes de la resección. El aprovechamiento de la luz estructurada en combinación con el aprendizaje profundo (DL) puede proporcionar una detección de márgenes tridimensional casi en tiempo real.

Objetivo: Se desarrolló un sistema de imágenes de dominio de frecuencia espacial (SFDI) de fluorescencia habilitado con DL entrenado con modelos tumorales in silico para cuantificar la profundidad de los tumores orales.

Enfoque: Se diseñó una red neuronal convolucional para producir mapas de concentración y profundidad del tumor a partir de imágenes SFDI. Se desarrollaron tres representaciones in silico de lesiones de cáncer oral para entrenar la arquitectura DL: cilindros, armónicos esféricos y armónicos esféricos compuestos (CSH). Cada modelo se validó con imágenes SFDI in silico de tumores de lengua derivados de pacientes, y el modelo CSH se validó aún más con fantasmas ópticos.

Resultados: El rendimiento del modelo CSH fue superior cuando se presentó con tumores derivados de pacientes (valor
P < 0,05). El modelo CSH pudo predecir la profundidad y la concentración dentro de 0,4 mm y 0,4 μ g / mL, respectivamente, para tumores in silico con profundidades inferiores a 10 mm.

Conclusiones: Un sistema SFDI habilitado para DL entrenado con CSH in silico demuestra ser prometedor para definir los márgenes profundos de los tumores orales.

Won NJ, Bartling M, La Macchia J, Markevich S, Holtshousen S, Jagota A, Negus C, Najjar E, Wilson BC, Irish JC, Daly MJ. Deep learning-enabled fluorescence imaging for surgical guidance: in silico training for oral cancer depth quantification. J Biomed Opt. 2025 Jan;30(Suppl 1):S13706. doi: 10.1117/1.JBO.30.S1.S13706. Epub 2024 Sep 18. PMID: 39295734; PMCID: PMC11408754.