开发一种深度学习模型,用于在微创手术中安全的直接光学三角管插入:一种预防三角管损伤的创新方法

科学领域:

• 手术技术 手术技术
• 医疗人工智能 医疗人工智能
• 最少侵入性的手术

背景情况:

• 在腹腔镜外科手术中,直接光学三角管插入带有风险,因为可能误解腹壁解剖学.
• 人工智能 (AI),特别是深度学习,显示出增强手术内镜中的解剖学里程碑识别的希望.
• 准确地识别腹壁层对于安全的三角管位置至关重要.

研究的目的:

• 将一个深度学习模型与一个警报系统集成在一起,以便在三角管放置时精确检测腹壁层.
• 为了提高在微创手术中直接光学三角管插入的安全性和结果.

主要方法:

• 一个深度学习模型 (YOLOv8) 在6个腹壁层 (皮下,前直肠,直肠肌,后直肠,腹膜,腹腔) 的注释图像上进行了训练.
• 该模型通过静止图像进行训练,并通过腹腔镜视频推断实时检测.
• 设计了一个警报系统,在检测到腹膜和腹腔层时会激活.

主要成果:

• 该模型在400张图像的测试组中实现了95.8%的平均平均精度 (mAP),89.8%的精度和91.7%的回忆.
• 深度学习模型在3000张图像上进行了训练,并在89例腹腔镜病例的200张图像上进行了验证.
• 报警系统被经验丰富的外科医生验证并接受.

结论:

• 深度学习模型可以通过在直接光学三角管插入过程中提供实时地标检测来协助外科医生.
• 集成的人工智能和报警系统为外科医生提供及时指导,可能减轻并发症.
• 这一框架有可能显著提高手术安全性和微创手术中患者的治疗结果.