限られたデータセットでの外科縫合質の分類のための移転学習の有効性の評価
Roman Ishchenko1, Maksim Solopov1, Andrey Popandopulo1
1V.K. Gusak Institute of Emergency and Reconstructive Surgery, 283045 Donetsk, Russia.
Journal of imaging
|August 27, 2025
まとめ
コンヴォルションニューラルネットワーク (CNN) の移転学習は,限られたデータであっても,画像から手術縫合の質を効果的に分類します. この自動化されたアプローチは客観的なスキル評価を提供し,主観的な専門家の評価への依存を軽減します.
科学分野:
- 医療画像と人工知能
- 外科 技 の 評価
背景:
- 外科医のスキルの客観的な評価は重要ですが,しばしば主観的な評価に依存します.
- 医療データの限られた可用性は,自動診断ツールの開発に重大な課題をもたらします.
研究 の 目的:
- 手術縫い質の自動化された二進法分類のために,事前訓練されたコンボリューションニューラルネットワーク (CNNs) を使用して,転送学習の有効性を評価する.
- 3つの異なる縫合型の分類性能を評価するために:中断された開いた血管縫合 (IOVS),連続したオーバー・アンド・オーバー開いた縫合 (COOS),および中断された腹腔鏡縫合 (ILS).
主な方法:
- 8つの最先端のCNNアーキテクチャが5倍クロス検証を用いて小型データセット (100〜190枚の画像) で訓練され,検証された.
- 性能指標には,F1スコア,受信機動作特性曲線の下の面積 (AUC-ROC),およびカスタムで加重された安定性認識スコア (Scoreadj) が含まれていた.
- GradCAMビジュアライゼーションは,臨床的に重要な特徴のモデルフォーカスを解釈するために使用されました.
主要な成果:
- 移転学習はデータ不足にもかかわらず堅実な分類性能を示し,IOVS/ILSでF1スコア>0.90,COOSで0.79を達成しました.
- ResNet50V2,DenseNet121,およびXceptionは,Scoreadjに基づいて,より高い安定性を示した.
- ResNet50V2は,IOVS内視分類で最高AUC-ROC (0. 959 ± 0. 008) を達成した.
結論:
- 移転学習は 資源が限られた環境でも 客観的で自動化された外科技能評価ツールを開発するための 強力で正確なアプローチです
- この研究は,縫合の質を分析するためにCNNの使用を検証し,主観的な専門家の判断の必要性を減らす.
- 視覚化は,モデルが臨床的に重要な特徴に焦点を当て,自動評価の信頼性を高めることを確認しました.
