生物物理建模和人工智能用于定量评估腹腔镜前下直肠切除术中解剖体血液供应

科学领域:

• 手术创新 在外科创新.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 在结直肠外科手术中,术内肠道输液评估至关重要,但受到主观视觉解释的限制.
• 目前的方法缺乏定量标准,阻碍了光成像的临床采用.

研究的目的:

• 开发一种综合方法,将光曲线分析,生物物理建模和机器学习结合起来,以改善手术内 perfusion 评估.
• 克服主观解释的局限性,并在结直肠外科手术中建立定量标准.

主要方法:

• 分析了68名结肠直肠癌患者的腹腔镜光视频.
• 提取光强度动态和使用RANSAC和非线性最小正方形适配来导出生物物理参数的建模.
• 在生物物理参数上训练XGBoost模型,以自动化输液评分,通过临床医生评分验证.

主要成果:

• 机器学习模型实现了高精度 (R2为97.2%) 并超过了传统的时间因素分析.
• 自动评分系统在患者子组中展示了强大的概括性,并在2分钟内完成了分析.
• 低输液得分与术后并发症有显著关联,证实了临床相关性.

结论:

• 生物物理建模和机器学习通过量化 perfusion 动态和实现外科医生级准确性来协同增强外科评估.
• 自动化工作流可以实现实际的临床翻译,为手术内决策提供快速,定量和可概括的分析.
• 该方法提升了结直肠外科手术中的输液监测和决策,解决了当前视觉评估技术的局限性.