应用机器学习来安全的血管解剖.
Hiroki Umezawa1, Akatsuki Kondo1, Marie Taga1
1Department of Plastic, Reconstructive and Aesthetic Surgery, Nippon Medical School Hospital, 1-1-5 Sendagi, Bunkyo-ku, Tokyo, Japan.
JPRAS open
|July 18, 2025
概括
在外显镜图像上训练的机器学习算法显示了在微手术中检测血栓预测信号的潜力. 这项技术可以提高外科手术的安全性,并帮助训练外科医生识别在解剖形成过程中面临风险的血管.
科学领域:
- 医学技术 医学技术 医学技术
- 手术方面的创新.
- 医学中的人工智能
背景情况:
- 机器学习 (ML) 越来越多地融入医疗保健,协助诊断,患者分析和外科手术.
- 外视镜和监视器的进步正在推动从传统的基于显微镜的微手术到头顶微手术的过渡.
- 高分辨率的外视镜图像为训练ML算法提供了宝贵的资源.
研究的目的:
- 调查使用外视镜图像来训练机器学习算法的可行性,以检测可预测血栓形成的迹象.
- 开发一种可以帮助微手术的工具,通过识别有不安全微血管解剖风险的血管.
- 通过对血管评估提供客观反来增强外科培训.
主要方法:
- 标注 9150 ORBEYETM 外镜图像的动脉瘤,识别动脉血栓,内脏壁损伤,碎片和树.
- 利用注释图像来训练一个只看一次 (YOLO) 模型来检测血栓预测信号.
- 在谷歌协作环境中执行了YOLO模型培训.
主要成果:
- 经过训练的YOLO算法在100个时代后成功地实时检测到四个指定的物体.
- 该算法表现出高率的假阳性和假阴性检测.
- 尽管有局限性,但结果表明ML在外视镜数据上的潜力.
结论:
- 机器学习应用于外视镜图像,有望开发出可以提高微手术解剖切除安全性的算法.
- 由于Python,谷歌协作和YOLO等模型的可访问性,即使是初学者程序员也可以创建有效的ML算法.
- 预计计算硬件和处理方法的持续进步将进一步增强手术和医学教育中的ML应用.
