用简单的机器学习方法对甲状腺的识别和血管学分类
Philip D McEntee1,2, Joseph E Greevy1, Frédéric Triponez3
1UCD Centre for Precision Surgery, UCD, Dublin, Ireland.
BJS open
|October 29, 2024
概括
一种自动化计算机视觉方法使用近红外印氨酸绿色血管学准确量化副甲状腺输液,匹配专家外科医生的评估,以改善患者的治疗结果.
科学领域:
- 内分泌手术 内分泌手术
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 近红外印绿色 (ICG) 血管造影对于在甲状腺和甲状腺外科手术期间评估副甲状腺活力至关重要.
- 需要对ICG光信号进行客观评估,以确保外科医生之间一致的表现.
研究的目的:
- 开发一种自动化计算量化方法,用于近红外绿色 (ICG) 血管学信号.
- 创建一个计算机视觉模型,模仿专家外科医生对甲状腺活力的解释.
主要方法:
- 利用了从内分泌宫手术患者的ICG血管学录像.
- 采用计算机视觉技术,包括细分,图像稳定和时间光强度配置文件生成.
- 训练了一个逻辑回归模型,使用相对上坡和最大强度比率,根据专家判断和患者结果进行验证.
主要成果:
- 该模型在训练期间在特征数据分离方面实现了100%的准确性.
- 隐形测试显示,模型在预测副甲状腺输液时的准确率为96.3%,具有高灵敏度 (93.3%) 和特异性 (100%).
- 自动检测正确识别了所有副甲状腺,可在5分钟内实现.
结论:
- 自动机器学习方法可以可靠地量化副甲状腺输液.
- 这种计算方法与专家外科医生对ICG信号的解释一致.
- 开发的方法为评估副甲状腺活力的标准化工具提供了标准化工具.
