人工智能在医院间的可转移性:关于胆囊切除术阶段识别的案例研究
Lasse Renz-Kiefel1, Sebastian Lünse2, Rene Mantke3
1Fraunhofer Heinrich-Hertz-Institute, Vision & Imaging Technologies, Berlin, Germany.
Computers in biology and medicine
|May 6, 2025
概括
使用公开数据,可以转移用于手术阶段识别的AI模型. 结合公共和机构特定数据,可显著提高模型性能和在不同外科环境中的通用性.
科学领域:
- 人工智能在医学中的应用
- 计算机视觉用于外科手术
- 外科手术工作流程分析
背景情况:
- 手术阶段识别对于自动化手术工作流分析和绩效评估至关重要.
- 开发精确的人工智能模型受到有限的培训数据和外科医生的可变性所带来的挑战.
- 模型必须在不同的外科手术数据集和技术中进行概括.
研究的目的:
- 分析训练用于手术阶段识别的AI模型的可转移性.
- 用胆囊切除术作为案例研究来研究模型概括.
- 评估各种培训数据对模型性能的影响.
主要方法:
- 利用了104个公共手术和21个机构特定的手术进行培训和评估.
- 采用了两阶段的深度学习架构:ResNet50骨干和多阶段的时间卷积网络 (MS-TCN).
- 在单独的数据集和结合的数据集上进行了实验训练,并进行了微调.
主要成果:
- 仅在机构特定数据上训练的模型达到79.7%的准确性.
- 仅在公共数据上训练的模型在机构特定数据上表现不佳.
- 在综合数据集上进行再培训,产生了最佳的可转移性和性能.
结论:
- 多样化的培训数据,包括机构特定的视频,对于在手术阶段识别中强大的AI模型至关重要.
- 公共数据有助于将模型转移到新的环境和外科医生.
- 整合特定地点的数据可以提高模型的稳定性和临床适用性.
