Construcción y validación de un conjunto de datos anotado de alta precisión para el desarrollo de modelos...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial en Cirugía
• Educación Quirúrgica

Sus antecedentes:

• La cirugía laparoscópica ofrece beneficios mínimamente invasivos.
• La identificación y disección vascular en laparoscopia presentan una curva de aprendizaje pronunciada.
• La IA muestra potencial para la educación quirúrgica y la asistencia en tiempo real, pero carece de conjuntos de datos dedicados para la identificación vascular.

Objetivo del estudio:

• Desarrollar y publicar el primer conjunto de datos a gran escala y anotado por expertos para la identificación vascular intraoperatoria en cirugía pancreática laparoscópica.
• Establecer un punto de referencia para los modelos de segmentación venosa basados en IA en este contexto quirúrgico.

Principales métodos:

• Se recopilaron vídeos de 23 procedimientos de pancreatectomía distal y duodenopancreatectomía laparoscópica.
• Cirujanos expertos anotaron estructuras venosas críticas (VMS, VP, VS) con marcas de tiempo precisas.
• Se extrajeron fotogramas a 1 fotograma/segundo para crear un conjunto de datos de imágenes.
• Se desarrolló un modelo de segmentación preliminar utilizando High-Resolution Network (HRNet) y Fully Convolutional Network (FCN).

Principales resultados:

• Se creó un conjunto de datos disponible públicamente de 19.003 fotogramas anotados.
• El modelo de segmentación de referencia logró un recall del 79,6%, una precisión del 95,8% y un coeficiente Dice del 0,69 en el conjunto de prueba.

Conclusiones:

• El estudio presenta el primer conjunto de datos a gran escala y anotado por expertos para la segmentación de venas en cirugía pancreática laparoscópica.
• Este conjunto de datos y el rendimiento de referencia facilitarán el desarrollo de herramientas asistidas por IA para la identificación vascular.
• El recurso apoya los avances en IA para una cirugía laparoscópica más segura y eficiente.