外科手术工作流分析中的深度学习:对阶段和步骤识别的审查

科学领域:

• 医疗信息学 医疗信息学
• 在外科手术中使用人工智能
• 计算机视觉用于医疗保健

背景情况:

• 在过去的二十年中,人们对手术程序分析的统计模型越来越感兴趣.
• 需要具有上下文意识的智能系统来协助外科医生,评估程序并优化手术室管理.
• 目的是从外科手术数据中提取可靠的模式,以便对外科手术活动进行可靠的估计.

研究的目的:

• 审查2018年以后发布的最先进的深度学习方法,用于外科手术工作流分析.
• 专注于手术过程中的阶段和步骤识别.
• 总结常用的架构,数据集和现场挑战.

主要方法:

• 关于手术工作流分析方法的综合文献综述.
• 搜索了三个数据库 (IEEE Xplore,Scopus,PubMed) 并进行了手动搜索.
• 选了343项研究,选择了44项进行详细审查.

主要成果:

• 时间信息对于预测后续手术行动至关重要.
• 循环神经网络 (RNN),卷积神经网络 (CNN) 和变压器是保存时间关系的关键架构.
• 缺乏大型,公开可用的数据集是一个重大挑战.

结论:

• 使用自主监督,半监督和主动学习方法来减少对注释数据的依赖.
• 深度学习为增强外科手术工作流分析提供了有希望的途径.
• 需要进一步的研究来解决数据集的局限性,并开发更强大的模型.