基于视觉突出度和变压器网络的腹腔镜视频中预测剩余的手术持续时间
Constantinos Loukas1, Ioannis Seimenis1, Konstantina Prevezanou1
1Laboratory of Medical Physics, Medical School, National and Kapodistrian University of Athens, Athens, Greece.
概括
使用TransLocal深度学习模型准确实时预测剩余手术持续时间 (RSD),提高了手术室效率. 这种人工智能方法为手术时间估计提供了最先进的性能.
科学领域:
- 医疗信息学 医疗信息学
- 在外科手术中使用人工智能
- 外科手术工作流程分析
背景情况:
- 准确的实时预测剩余手术持续时间 (RSD) 对于优化手术室资源配置至关重要.
- 在手术期间预测RSD有助于有效的外科手术安排和管理.
- 腹腔镜手术对实时持续时间估计提出了独特的挑战.
研究的目的:
- 从腹腔镜视频开发和评估一种新的深度学习模型,用于从腹腔镜视频中在手术期间预测剩余手术持续时间 (RSD).
- 将拟议的基于变压器的模型 (TransLocal) 的性能与七种常见的深度学习模型和四种基线方法进行比较.
- 为了评估RSD预测在不同的手术长度和手术过程中的时间点的准确性.
主要方法:
- 提出了一个混合深度学习管道,将CNN-LSTM用于特征提取和具有局部注意力机制的变压器 (TransLocal) 结合起来.
- 该模型在Cholec80数据集上进行了训练和评估,Cholec80数据集是外科视频分析中广泛使用的基准.
- 广泛的评估涉及将TransLocal与七种已建立的深度学习模型和四种基线方法进行RSD预测的比较.
主要成果:
- 拟议的TransLocal模型实现了最佳性能,Cholec80数据集的平均绝对误差 (MAE) 为7.1分钟.
- 长时间手术的MAE为10.6分钟,短时间手术的MAE为4.4分钟.
- 预测准确度在手术结束时有所改善,MAE在手术完成前30分钟为6.2分钟.
结论:
- 跨局部模型代表了一种最先进的方法,用于在手术期间预测剩余手术持续时间.
- 开发的技术显示了改善手术室安排和效率的巨大潜力.
- 未来的工作包括整合手术内指标和手术前数据,以进一步提高预测准确性.
