开发,部署和扩展操作室准备的人工智能,用于实时手术决策支持

科学领域:

• 医疗人工智能 医疗人工智能
• 手术技术 手术技术
• 计算机视觉在外科手术中的应用

背景情况:

• 计算机视觉的深度学习为实时手术指导提供了潜力.
• 目前的系统缺乏通用性和可扩展性,特别是在资源有限的环境中.
• 需要设备无关的框架,以便广泛采用.

研究的目的:

• 开发和测试一个设备无关的框架,用于实时手术指导.
• 展示AI驱动的外科洞察力的网络平台的可扩展性和通用性.
• 在腹腔镜胆囊切除术中使用语义细分来预测安全/危险的剖析区域.

主要方法:

• 开发了一个与网络平台连接的新型数据管道,用于从边缘设备实时部署.
• 在多元化的多中心数据集上训练轻量级的U-Net和SegFormer语义细分模型.
• 在前性收集的数据集上测试模型,并针对网络变化优化客户端-服务器交互.

主要成果:

• SegFormer在"Go"区域中获得了60%的平均子得分,在"No-Go"区域中获得了76%的平均子得分.
• 实现了至少60fps的预测流,对于8Mbps以上的网络速度,最大的往返延迟为70ms.
• 在各种网络速度和硬件功能中证明了可行性.

结论:

• 机器学习模型用于外科指导的临床部署是可行的,并且具有成本效益.
• 拟议的框架是可通用,可扩展和设备不可知的.
• 消除对高性能硬件或超高速互联网的依赖,以实时进行手术AI.