腹腔镜手术中的解剖学细分:机器学习和人类专业知识的比较 - - 一项实验研究
Fiona R Kolbinger1,2,3, Franziska M Rinner1, Alexander C Jenke4
1Department of Visceral, Thoracic and Vascular Surgery, University Hospital and Faculty of Medicine Carl Gustav Carus, Technische Universität Dresden.
International journal of surgery (London, England)
|August 1, 2023
概括
机器学习模型可以显著改善腹部手术期间的解剖学识别,在胰腺细分任务中表现优于人类参与者. 这些人工智能工具提供了近乎实时的协助,提高了手术安全性,并可能减少与解剖错误识别相关的风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 在腹部外科手术中,解剖错误识别带来了重大风险.
- 机器学习 (ML) 提供了识别解剖结构的潜力,但其临床实用性尚不确定.
研究的目的:
- 开发和评估用于腹腔镜外科手术中的解剖结构细分的机器学习模型.
- 将ML模型与人类参与者在识别外科解剖学的性能进行比较.
主要方法:
- 使用13,195张腹腔镜图像,为11个腹内结构开发了专门的语义细分模型 (DeepLabv3,SegFormer).
- 与28名医生,医学学生和普通人进行模型性能比较,重点关注胰腺细分.
主要成果:
- ML模型实现了跨越欧盟的交叉点数,从0.23到0.85.
- 在近乎实时运行的DeepLabv3模型,在胰腺细分方面,在28名人类参与者中至少有26人表现出色.
- SegFormer 模型没有达到接近实时的性能.
结论:
- 机器学习模型显示了实时,近实时协助手术解剖识别的潜力.
- 需要进一步的研究来评估这些基于ML的外科辅助系统的教育价值和临床影响.
