ハイパースペクトルイメージングと機械学習を用いた顕微外科的組織再建後のフラップの血流不全の検出
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：Detection of flap malperfusion after microsurgical tissue reconstruction using hyperspectral imaging and machine learning
雑誌名：Sci Rep. 2025 May 05; 15(1): 15637. doi: 10.1038/s41598-025-98874-4. Epub 2025 May 05.
概 要：
本研究は、ハイパースペクトルイメージング（HSI）と機械学習を組み合わせて、顕微外科的組織再建後のフラップの血流不全を検出する方法を開発することを目的としています。59件の自由フラップのデータを分析した結果、10件が術後に血流不全を示し壊死に至りました。HSI記録を用いて、血流が障害された組織と健康な組織を区別するために、いくつかの教師あり分類アルゴリズムが評価されました。最も良好な分類性能は、術後72時間以内のHSIに基づく血流パラメータを用いた畳み込みニューラルネットワークで観察され、AUCは0.82±0.05、感度は70%±33%、特異度は76%±26%、F1スコアは68%±28%でした。HSIと人工知能を組み合わせた診断ツールは、術後の血流不全の検出を大幅に改善し、フラップの救済率を向上させる可能性があります。
方 法：
本研究では、59件の自由フラップを対象にした観察研究を実施しました。術後の血流不全の発生を評価するためにデータを分析し、HSI記録を用いて血流が障害された組織と健康な組織を区別するための教師あり分類アルゴリズムを評価しました。主要評価指標は、AUC、感度、特異度、F1スコアです。
結 果：
術後72時間以内にHSIに基づく血流パラメータを用いた畳み込みニューラルネットワークによるフラップ分類性能は、AUCが0.82±0.05、感度が70%±33%、特異度が76%±26%、F1スコアが68%±28%でした。これにより、術後の血流不全の検出が可能であることが示されました。
結 論：
HSIと機械学習を組み合わせた手法は、顕微外科的手術後のフラップの血流不全を高精度で検出できる可能性があり、フラップの救済率を向上させることが期待されます。