在机器人辅助激进前列腺切除术中开发人工智能模型用于相位识别
Hideto Ueki1,2, Munenori Uemura3, Kiyoyuki Chinzei3
1Department of Urology, Kobe University Graduate School of Medicine, Kobe, Japan.
BJU international
|July 22, 2025
概括
一个卷积神经网络 (CNN) 模型在一个平台上准确地识别了机器人辅助激进前列腺切除术 (RARP) 的手术阶段,但在另一个平台上显示了局限性. 可解释性方法增强了对CNN的理解.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 机器人辅助激进前列腺切除术 (RARP) 是一项复杂的手术,需要精确的外科技巧.
- 自动化手术阶段识别可以帮助培训和实时反.
- 开发可解释的AI模型对于临床采用至关重要.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN),用于识别RARP中的手术阶段.
- 评估模型的可解释性和跨平台通用性.
- 增强对机器人手术人工智能的信任和整合.
主要方法:
- 一个CNN模型 (EfficientNet B7) 在75个RARP案例中使用hinotori机器人系统进行了培训.
- 七个不同的手术阶段在808,774个视频中被注释出来.
- 使用达芬奇机器人系统对25个RARP案例进行了跨平台验证;使用梯度加权类激活映射 (Grad-CAM) 评估可解释性.
主要成果:
- 在hinotori数据集上,CNN的准确度达到0.90,但在da Vinci数据集上降至0.64,表明跨平台的限制.
- 特定阶段的F1分数在0.77到0.97之间,在精液囊和角剖析阶段的表现较低.
- 格拉德-CAM可视化突出了模型对解剖结构的关注,提高了可解释性.
结论:
- CNN模型在单个机器人平台上显示出高精度,但需要进一步开发跨平台的一致性.
- 解释性技术对于建立临床信任和促进人工智能融入外科工作流程至关重要.
- 人工智能模型的持续改进可以推进机器人手术的应用.
