相关实验视频
Updated: May 9, 2025
05:41
Development of a Murine Model for Femoral Artery Anastomotic Stenosis
Published on: April 18, 2025
58
开发多中心深度学习模型,用于预测腹壁重建中的手术复杂性和手术部位感染,试点研究
William R Lorenz1, Alexis M Holland1, Benjamin A Sarac2
1Division of Gastrointestinal and Minimally Invasive Surgery, Department of Surgery, Carolinas Medical Center, Charlotte, NC, United States.
Journal of abdominal wall surgery : JAWS
|April 29, 2025
概括
深度学习模型可以高精度地预测腹壁重建 (AWR) 中的手术部位感染 (SSI). 然而,使用组件分离技术 (CST) 预测手术复杂性仍然是人工智能面临的挑战.
科学领域:
- 医学成像医学成像
- 在手术中使用人工智能.
- 腹壁的重建 腹壁的重建
背景情况:
- 的复发和手术部位感染 (SSI) 是腹壁重建 (AWR) 的重要并发症.
- 准确预测手术复杂性和SSI风险对于患者的治疗结果至关重要.
- 术前计算机断层扫描 (CT) 影像提供了风险分层的潜力.
研究的目的:
- 开发和验证多中心深度学习模型 (DLM),用于预测AWR中的手术复杂性和SSI风险.
- 用组件分离技术 (CST) 来评估DLM的性能,作为手术复杂性的替代品.
- 用手术前CT扫描来评估DLM在预测SSI中的有效性.
主要方法:
- 使用ResNet-18架构开发多中心DLM,使用来自两个AWR中心的无识别CT图像.
- 利用CST作为手术复杂性的替代品,并分析手术前CT以预测SSI风险.
- 使用精度和曲线下的面积 (AUC) 报告模型性能.
主要成果:
- 用于预测SSI的DLM表现出强的表现,AUC为0.898.
- 使用CST预测手术复杂性的DLM表现不佳,AUC为0.569.
- 患者因素显著影响了SSI预测,超过了外科手术实践的可变性.
结论:
- 在AWR中成功开发了一个用于SSI预测的多中心DLM,显示了AI在风险分层方面的潜力.
- 预测DLM手术复杂性的挑战可能来自主观的手术决策和实践变化.
- 人工智能增强的风险计算器有望通过更好的风险分层来改善AWR患者的结果.
