通过机器学习模型预测石材成分,这些模型是通过在手术内内镜数字图像上进行训练的

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 尿路结石成分分析对于有效的治疗计划至关重要.
• 目前用于手术内石头识别的方法可能耗时且不太准确.
• 石材组成的实时预测可以优化激光石术的参数.

研究的目的:

• 开发和评估一种深度学习 (DL) 模型,使用手术内内镜图像来预测尿路结石成分.
• 评估DL在实时石头分析中的潜力,以指导手术干预.
• 通过及时调整激光设置来改善外科手术结果.

主要方法:

• 收集了来自490名接受holmium激光手术的患者的1658张手术内图像的数据集.
• 用深层卷积神经网络 (CNN),特别是ResNet-101进行图像分析,用于多类分类.
• 该模型被训练来识别八种常见的石头类别,包括单一和混合的组成.

主要成果:

• 对于单个石材组件,DL模型实现了较高的预测率,对几个类别的准确性达到100%.
• 精确识别了氧化单 (99%),无水尿酸 (98%) 和混合石 (100%).
• 在整个队列中,组件分析的总体加权召回率为99%.

结论:

• 深度学习证明了从手术内图像中准确和快速识别尿路结石组件的有希望的能力.
• DL在速度和准确性方面超过了人类的视觉识别,用于区分单一和混合的石头类型.
• 这种人工智能驱动的方法可以实时优化holmium激光参数,潜在地减少手术时间,提高手术效率,并最大限度地减少术后并发症.