Video Experimental Relacionado
Updated: Sep 10, 2025
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
Evaluación de la eficacia del aprendizaje por transferencia para la clasificación de la calidad de las suturas
Roman Ishchenko1, Maksim Solopov1, Andrey Popandopulo1
1V.K. Gusak Institute of Emergency and Reconstructive Surgery, 283045 Donetsk, Russia.
Journal of imaging
|August 27, 2025
Resumen
El aprendizaje de transferencia con redes neuronales convolucionales (CNNs) clasifica efectivamente la calidad de la sutura quirúrgica a partir de imágenes, incluso con datos limitados. Este enfoque automatizado ofrece una evaluación objetiva de las habilidades, reduciendo la dependencia de evaluaciones subjetivas de expertos.
Área de la Ciencia:
- Imágenes médicas y inteligencia artificial
- Evaluación de las habilidades quirúrgicas
Sus antecedentes:
- La evaluación objetiva de la habilidad quirúrgica es crucial, pero a menudo se basa en evaluaciones subjetivas.
- La disponibilidad limitada de datos médicos presenta un desafío importante para el desarrollo de herramientas de diagnóstico automatizadas.
Objetivo del estudio:
- Evaluar la efectividad del aprendizaje de transferencia utilizando redes neuronales convolucionales (CNN) previamente entrenadas para la clasificación binaria automatizada de la calidad de las suturas quirúrgicas.
- Evaluar el rendimiento de la clasificación en tres tipos distintos de suturas: suturas vasculares abiertas interrumpidas (IOVS), suturas abiertas continuas repetidas (COOS) y suturas laparoscópicas interrumpidas (ILS).
Principales métodos:
- Se entrenaron y validaron ocho arquitecturas CNN de última generación en pequeños conjuntos de datos (100-190 imágenes por tipo) utilizando una validación cruzada de 5 veces.
- Las métricas de rendimiento incluían la puntuación F1, el área debajo de la curva de características operativas del receptor (AUC-ROC) y una puntuación personalizada ponderada para la estabilidad (Scoreadj).
- Se emplearon visualizaciones GradCAM para interpretar el enfoque del modelo en características clínicamente relevantes.
Principales resultados:
- El aprendizaje por transferencia demostró un rendimiento de clasificación robusto a pesar de la escasez de datos, logrando puntuaciones F1 > 0,90 para IOVS/ILS y 0,79 para COOS.
- ResNet50V2, DenseNet121 y Xception mostraron una mayor estabilidad basada en Scoreadj.
- ResNet50V2 logró el AUC-ROC más alto (0,959 ± 0,008) para la clasificación de la vista interna del IOVS.
Conclusiones:
- El aprendizaje de transferencia es un enfoque poderoso y preciso para desarrollar herramientas objetivas y automatizadas de evaluación de habilidades quirúrgicas, incluso en entornos con recursos limitados.
- El estudio valida el uso de CNN para analizar la calidad de las suturas, reduciendo la necesidad de un juicio experto subjetivo.
- Las visualizaciones confirmaron que los modelos se centran en características clínicamente significativas, mejorando la fiabilidad de la evaluación automatizada.
