使用基于深度学习的医疗海绵图像分析实时和准确估计手术血红蛋白损失

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 手术出血管理手术出血管理

背景情况:

• 准确估计手术血红蛋白 (Hb) 损失对于患者管理和手术技术评估至关重要.
• 目前用于量化失血的方法可能不准确,需要创新的解决方案.

研究的目的:

• 开发和验证一种新的基于深度学习的方法,用于使用医学海绵图像分析实时进行手术Hb损失估计.
• 为了比较不同的深度学习模型在预测血浸泡海绵的Hb损失方面的表现.

主要方法:

• 通过稀释全血样本,生成血浸泡的海绵,具有不同的Hb度.
• 利用YOLOv5网络进行对象检测,并使用特征提取,ResNet-50和SE-ResNet50模型进行Hb损失预测.
• 在851个海绵的数据集上使用平均绝对误差 (MAE),平均绝对百分比误差 (MAPE),R2和Bland-Altman分析来评估模型性能.

主要成果:

• 该SE-ResNet50深度学习模型实现了最高的预测性能,R2 = 0.99,MAE = 11.09毫克,MAPE = 8.6%.
• 布兰德-阿尔特曼分析表明,SE-ResNet50模型的偏差很小 (1.343毫克) 和狭窄的协议边界 (-29.81至32.5毫克).
• 开发了一个交互式接口,用于直观地实时显示预测的手术Hb损失.

结论:

• 基于深度学习的医学海绵图像分析为实时手术Hb损失估计提供了可行和准确的方法.
• 该方法为临床决策和外科手术技术的评估提供了宝贵的见解,有可能改善患者的治疗结果.