在 Hernia 修复中手术阶段识别-基于人工智能的确认基线和竞争模型的探索
Chengbo Zang1, Mehmet Kerem Turkcan1, Sanjeev Narasimhan2
1Department of Electrical Engineering, Columbia University, New York, NY 10027, USA.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
深度学习模型可以识别机器人辅助手术中的手术阶段. 像Video Swin Transformer这样的先进架构实现了高精度,有助于手术工作流分析.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能在医学中的应用
- 外科手术工作流程分析
背景情况:
- 使用人工智能/深度学习 (DL) 进行机器人辅助手术的自动化分析对于质量评估和工作流理解至关重要.
- 手术阶段识别是分析手术程序和确定需要改进的领域的关键组成部分.
研究的目的:
- 使用DL模型确定手术阶段识别的基线准确性.
- 探索先进的DL架构,以提高识别手术阶段的性能.
- 评估机器人辅助腹腔镜 inguinal hernia修复 (RALIHR) 中自动化手术阶段识别的可行性.
主要方法:
- 来自8名外科医生的209个RALIHR视频的数据集被收集,注释和预处理.
- 七个DL模型被部署用于基线准确性,并探索了四个先进的架构.
- 一个统一的数据处理管道被用来训练和评估DL网络在不同的场景.
主要成果:
- 视频旋转变压器模型实现了大约0.85的验证准确度.
- 感知器IO模型在手术阶段识别中实现了大约0.84的验证准确性.
- 通过使用所有外科医生的21个验证视频的场景来评估表现.
结论:
- 自动化手术阶段识别模型显示出临床部署的巨大潜力.
- 医学专家和工程师之间的密切合作对于开发在外科手术中有效的AI工具至关重要.
- 该研究强调了严格注释和数据处理对于可靠的人工智能模型性能的重要性.
