多中心概括的挑战:在Roux-en-Y的胃绕道手术中,相位和步骤的识别.

科学领域:

• 人工智能在医学中的应用
• 外科手术工作流程分析
• 计算机视觉在外科手术中的应用

背景情况:

• 目前用于手术活动识别的AI模型经常使用有限的,单中心数据集,引发了人们对其通用性的担忧.
• 在不同手术中心评估人工智能模型的性能对于现实世界的临床应用至关重要.

研究的目的:

• 介绍MultiBypass140,一个大型的,多中心的数据集,用于腹腔镜Roux-en-Y胃绕道手术 (LRYGB).
• 评估使用多中心数据进行手术阶段和步骤识别的深度学习模型的概括性.

主要方法:

• 开发了MultiBypass140数据集,其中包含来自两个医疗中心 (斯特拉斯堡和伯恩) 的140个LRYGB视频.
• 附注的外科手术阶段和步骤,并得到董事会认证的外科医生的意见.
• 通过7项实验研究对深度学习模型进行了基准测试,包括单中心和多中心培训/评估场景.

主要成果:

• 在单个中心数据上训练的模型表现出有限的概括能力.
• 在多中心MultiBypass140数据集上训练和评估模型显著改善了概括性.
• 多中心培训提高了模型性能,超出了独立的单中心培训和验证.

结论:

• 腹腔镜Roux-en-Y胃绕道手术在不同机构的技术和工作流程中显示出显著的差异.
• 多中心数据集对于开发强大的AI模型至关重要,这些模型可以在不同的外科设置中进行概括.
• MultiBypass140数据集和相关代码是公开的,以促进进一步的研究.