人工智能模型在机器人辅助的最小侵入性食道切除过程中识别反复出现的喉神经的有用性
Tasuku Furube1, Masashi Takeuchi2, Hirofumi Kawakubo3
1Department of Surgery, Keio University School of Medicine, Shinjuku City, Tokyo, Japan.
Annals of surgical oncology
|September 12, 2024
概括
一个人工智能 (AI) 模型改善了外科医生在机器人辅助微创食道切除术 (RAMIE) 期间对复发性喉神经 (RLN) 的识别. 这种人工智能工具增强了RLN的早期识别和准确定位,特别是在右侧程序中.
科学领域:
- 在外科手术中使用机器人
- 人工智能在医学中的应用
- 手术解剖学 手术解剖学
背景情况:
- 回复性喉神经 (RLN) 麻是食道切除术后的常见并发症.
- 外科医生的经验是影响RLN损伤的手术内风险的一个关键因素.
- 机器人辅助的最小侵入性食道切除术 (RAMIE) 对解剖学里程碑识别提出了独特的挑战.
研究的目的:
- 开发一种人工智能 (AI) 模型,以提高外科医生在RAMIE期间对RLN的识别.
- 客观地评估人工智能模型在识别RLN方面的表现.
- 评估AI模型对实习外科医生识别RLN的能力的临床影响.
主要方法:
- 一个人工智能模型使用来自四个机构的120个RAMIE视频进行了训练.
- 人工智能性能使用交叉与联盟 (IoU) 量化.
- 八名实习外科医生参与了评估RLN识别的实验,并没有人工智能协助.
主要成果:
- 人工智能模型实现了右侧RLN的0.40 ± 0.26,左侧RLN的0.34 ± 0.27的IOU.
- 使用AI的外科医生在淋巴结解剖 (LND) 开始时识别正确RLN的准确度显著更高 (81.3%),与没有AI的外科医生相比 (46.9%).
- 人工智能辅助导致在LND期间对右RLN识别的IOU显著改善 (0.59±0.18与AI相比0.40±0.29没有AI).
结论:
- 开发的AI系统显著改善了外科医生在RAMIE期间对解剖结构的识别.
- 人工智能辅助可以更快,更准确地识别RLN,特别是在正确的RLN和LND过程中.
- 这种人工智能工具有可能减少RLN损伤并发症在最少侵入性食道切除术.
