在稀疏分布的事件下通过硬实例挖矿识别非相关细分

科学领域:

• 医学图像分析 医学图像分析
• 手术技术 手术技术
• 医疗保健中的机器学习

背景情况:

• 在手术中识别非相关细分 (NRS) 对安全性和效率至关重要.
• 手术数据中的稀疏事件分布挑战了识别模型的概括性能.
• 现有的绩效指标可能无法充分解决手术背景下虚假阳性的关键性质.

研究的目的:

• 引入在线/离线硬实例挖掘 (HEM) 技术,以提高NRS识别性能.
• 开发和验证适用于临床NRS识别任务的新型性能指标.
• 证明在长期手术和各种手术环境中提出的方法的实用性.

主要方法:

• 实施在线/离线硬实例挖掘 (HEM) 来提取具有挑战性的NRS培训实例.
• 引入了虚假发现率 (FDR) 和威胁评分 (TS) 作为定量绩效指标.
• 验证了对长期机器人和腹腔镜手术数据集的方法.

主要成果:

• 通过对困难的例子进行有效的培训,HEM显著提高了NRS识别性能.
• FDR和TS提供了临床相关的定量评估,解决了传统指标的局限性.
• 拟议的模型在长期手术和各种临床环境中展示了强大的实用性和适用性.

结论:

• 在线/离线HEM是提高NRS识别的有效策略,特别是在稀疏数据场景中.
• 在临床实践中,FDR和TS是评估NRS识别的有价值指标,特别是在假阳性结果至关重要的情况下.
• 开发的方法表明,它有望提高不同手术持续时间和方式的手术安全性和效率.