人工智能用于复杂的机器人辅助瘤手术中的情境感知手术指导:一个探索性可行性研究
Fiona R Kolbinger1, Sebastian Bodenstedt2, Matthias Carstens3
1Department of Visceral, Thoracic and Vascular Surgery, University Hospital and Faculty of Medicine Carl Gustav Carus, Technische Universität Dresden, Fetscherstraße 74, 01307 Dresden, Germany; National Center for Tumor Diseases Dresden (NCT/UCC), Germany: German Cancer Research Center (DKFZ), Heidelberg, Germany; Faculty of Medicine and University Hospital Carl Gustav Carus, Technische Universität Dresden, Dresden, Germany; Helmholtz-Zentrum Dresden - Rossendorf, Dresden, Germany; Else Kröner Fresenius Center for Digital Health (EKFZ), Technische Universität Dresden, Fetscherstraße 74, 01307, Dresden, Germany.
机器学习模型可以在机器人辅助直肠切除 (RARR) 期间识别手术阶段和细分结构. 这项技术有望改善复杂的直肠手术中的外科指导和患者结果.
科学领域:
- 在外科手术中使用机器人和人工智能.
- 手术瘤学手术瘤学
- 医学成像分析 医学成像分析
背景情况:
- 机器人辅助直肠切除 (RARR) 在维持剖析平面和保护神经方面提出了挑战,这对于预防局部复发,失禁和性功能障碍至关重要.
- 准确识别手术阶段和解剖结构对于成功的RARR结果至关重要.
研究的目的:
- 研究在RARR中使用机器学习用于手术阶段识别和目标结构细分的可行性.
- 评估不同机器学习模型在这些任务中的表现.
主要方法:
- 在57个记录的RARR程序上训练了三种机器学习模型 (LSTM,MSTCN,Trans-SVNet) 用于手术阶段识别.
- 使用9037个注释图像开发了解剖结构,组织类型和剖析区域的像素分段模型 (DeepLabv3).
- 评估模型性能,使用像F1得分,交叉路口超过联盟 (IoU),准确性,精度,回忆和特异性等指标.
主要成果:
- 在相识别方面,MSTCN模型实现了最佳性能 (F1得分:0.82 ± 0.01,精度:0.84 ± 0.03).
- 目标结构细分的平均IOU不同,器官/组织类型从0.14 ± 0.22到0.80 ± 0.14,剖析区域从0.11 ± 0.11到0.44 ± 0.30.
- 图像质量和手术期间的因素,如血液和烟雾显著影响了细分的准确性.
结论:
- 基于机器学习的手术阶段识别和目标结构细分在RARR中是可行的.
- 这些人工智能驱动的功能有可能集成到未来的直肠手术上下文意识的外科指导系统中.
