技术和功能设计考虑对现实世界可解释的AI解决方案用于NIR perfusion分析 (包括癌症) 的技术和功能设计考虑

科学领域:

• 手术技术手术技术的使用.
• 医学成像医学成像
• 医学中的人工智能

背景情况:

• 临床上使用近红外 (NIR) 光成像与绿色氨酸 (ICG) 来评估手术期间的组织 perfusion.
• 目前的应用主要集中在解剖前的组织健康检查.
• 越来越多的人对利用光剂进行手术内癌症检测越来越感兴趣,通常依赖于静态成像后的管理.

研究的目的:

• 通过可解释的人工智能 (AI) 方法增强NIR光评估的实用性.
• 提高组织输液的动态解释精度,并使实时癌症检测等新应用成为可能.
• 开发软件作为一种医疗器械,用于现场癌症表征和更广泛的组织 perfusion 应用.

主要方法:

• 从手术内NIR视频流中生成光强度曲线.
• 处理曲线以纠正图像干扰,并提取用于组织特征的关键特征.
• 使用机器学习分类器,对提取的特征进行培训,用于组织分类,包括癌症检测.

主要成果:

• 人工智能在ICG光的动态阶段 (药物注射后的几秒到几分钟) 能够实现可操作的预测.
• 研究表明,人工智能方法可以根据差异光信号实时区分癌症和良性组织.
• 与深度学习相比,可解释的方法允许使用适度的培训集进行准确的分类.

结论:

• 应用于动态NIR光成像的可解释AI可以显著改善组织 perfusion 的手术评估,并实现实时癌症检测.
• 这种方法为开发符合法规的医疗器械提供了一条途径,无需专门的IT培训的外科医生可以使用.
• 开发的方法与现场癌症表征和外科手术中的其他组织 perfusion 应用具有广泛的相关性.