在机器人辅助的微创食道切除术中提取手术特征的积极学习:一项前性注释研究
Johanna M Brandenburg1,2, Alexander C Jenke3,4,5,6, Antonia Stern7
1Department of General, Visceral and Transplantation Surgery, Heidelberg University Hospital, Heidelberg, Germany.
Surgical endoscopy
|October 13, 2023
概括
积极学习 (AL) 有效地减少了从手术视频中开发手术特征的注释工作. 这种机器学习方法在预测手术结果方面保持了高性能,有助于个性化医疗.
科学领域:
- 医疗人工智能 医疗人工智能
- 手术过程分析 手术过程分析
- 医疗保健中的机器学习
背景情况:
- 手术学旨在利用机器学习 (ML) 在手术内数据上预测手术结果.
- 提取手术特征需要高质量的专家注释,这是一个重要的瓶.
- 积极学习 (AL) 被调查以减少ML模型开发的注释工作.
研究的目的:
- 为了前性地研究主动学习 (AL) 以减少在开发外科特征中的注释力.
- 介绍手术视频中手术特征的自动识别.
- 建立一个过程,以开发与手术内并发症 (如出血) 相关的手术特征.
主要方法:
- 选择了与出血相关的10个基于视频的手术特征,包括血液,烟雾,仪器和解剖结构.
- 专家对机器人辅助的最小侵入性食道切除术中的选定进行了注释.
- 一项前性注释研究将AL与使用贝叶斯式ResNet18模型在多中心数据集上的等距离采样 (EQS) 进行框架选择.
主要成果:
- 在所有十个手术特征中,平均F1得分为0.75±0.16.
- 与EQS相比,AL表现优越,特别是在识别仪器方面,预测正确度有显著差异.
- AL选择了较少常见仪器的更多框架,并获得了较高的F1分数,同时需要的培训框架比EQS少.
结论:
- 使用ML自动提取了十个与食道手术中出血事件相关的手术特征.
- 积极学习显示了减少注释工作的潜力,同时保持了特征识别的高ML性能.
- 该研究的源代码和训练模型被公布为开源,以促进进一步的研究.
