使用手术内iKnife数据检测异常:乳腺癌手术中的比较分析
Olivia Radcliffe1, Laura Connolly2, Amoon Jamzad2
1School of Computing, Queen's University, Kingston, ON, Canada. 19omr@queensu.ca.
概括
异常检测模型,特别是一类主要组件分析 (OCPCA),可以使用未标记的手术内数据识别阳性乳腺癌边缘. 这提供了一个有前途的,低资源的替代方案,用于实时评估乳房保护手术的利率.
科学领域:
- 在瘤学瘤学.
- 手术技术 手术技术
- 人工智能的人工智能
背景情况:
- 术内边缘评估对于成功的乳房保护手术至关重要.
- 智能刀 (iKnife) 分析手术烟雾,以实时评估利率.
- 目前的人工智能模型需要昂贵,耗时的标记ex-vivo数据集.
研究的目的:
- 探索异常检测模型,以使用未标记的手术内频谱进行边际评估.
- 为了减少对标记的ex-vivo数据集的依赖,用于人工智能模型培训.
- 评估异常检测的可行性,以确定手术内边缘.
主要方法:
- 从15个乳腺癌手术中在手术期间收集了iKnife光谱.
- 训练了四个异常检测模型 (iForest,OCPCA,GODS,KGODS) 使用手术内数据,有或没有健康的活体数据.
- 通过对标记的活体样本进行交叉验证和手术内可行性测试来评估性能.
主要成果:
- 异常检测模型仅使用手术内数据实现了在70-81%之间平衡的准确性.
- 仅在手术内数据上训练的OCPCA产生了81%的平衡精度,90%的灵敏度和72%的特异性.
- OCPCA证明了手术内可行性,正确识别了瘤突破,有一个假阳性.
结论:
- 异常检测模型,特别是OCPCA,可以在没有标记的ex-vivo数据的情况下识别阳性乳腺癌边缘.
- 这些模型为监督分类器提供了一个可行的低资源替代方案,用于业内利率评估.
- 该方法支持手术内标签生成和半监督培训,增强临床部署.
