一个基于近红外自流光成像深度学习的自动甲状腺识别和细分模型
Fan Yu1, Tian Sang2, Jie Kang1
1Department of Thyroid, Breast and Hernia Surgery, Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Cancer medicine
|March 8, 2024
概括
使用近红外自光成像 (NIFI) 的人工智能 (AI) 模型帮助外科医生识别副甲状腺 (PG). 人工智能模型的识别率高于初级外科医生,提高了外科安全.
科学领域:
- 手术成像手术成像
- 医学中的人工智能.
- 内分泌学 在内分泌学.
背景情况:
- 近红外自光成像 (NIFI) 是一种在手术过程中用于识别副甲状腺 (PGs) 的技术.
- 准确的手术内PG鉴定对于预防并发症至关重要.
研究的目的:
- 开发和验证一种新的人工智能 (AI) 模型,用于使用NIFI增强PG识别.
- 通过协助外科医生更好地识别和保护PG,改善外科结果.
主要方法:
- 使用了523张NIFI图像的数据集.
- 一个人工智能模型被训练为在NIFI图像上自动识别和标记PG.
- 人工智能模型的性能与外科专业知识进行了评估,比较识别率和分析诊断效率.
主要成果:
- 在内部验证中,人工智能模型实现了83.5%的精度和57.8%的回忆.
- 人工智能模型的视觉识别率在内部数据集上为85.2%,在外部数据集上为82.4%.
- 人工智能模型表明,与初级外科医生相比,在统计学上显著地提高了PG识别率 (p < 0.05).
结论:
- 开发的人工智能模型在协助外科医生进行手术内PG识别方面显示出前景.
- 这项技术有可能提高外科医生的学习曲线,并提高对PG保存的信心.
- 人工智能模型通过帮助关键腺体识别,有助于改善手术安全性和患者结果.
