在手术模拟器中绘制图形神经网络以实现现实的出血预测

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算生理学计算生理学

背景情况:

• 检测内部出血在紧急医疗中至关重要,特别是在创伤病例中.
• 现有的外科模拟器缺乏现实的出血建模,限制了训练的有效性.
• 准确预测出血风险可以显著改善患者的结果.

研究的目的:

• 利用图形神经网络 (GNN) 开发一种用于预测内部出血风险的新方法.
• 通过整合出血风险预测模型来增强外科模拟器的现实性.
• 改善应急响应和外科手术培训,以应对创伤情景.

主要方法:

• 医学图像 (CT,MRI) 被细分并转换为血管图表.
• 基于物理学的启发式 (哈根-波泽尔方程) 用于计算血管节点出血概率.
• 训练了一个图表注意网络,从图表数据中预测出血风险,通过1708个血管图表进行验证.

主要成果:

• 在预测出血风险方面,GNN模型实现了0.86 (高达0.9188) 的平均R平方.
• 观察到低平均训练 (0.0069) 和验证 (0.0074) 损失.
• 该模型表现出强大的性能,特别是在连接良好的血管图表上,尽管数据稀疏.

结论:

• 图形神经网络提供了一个强大的工具,用于预测医疗成像中的内部出血风险.
• 开发的模型可以集成到虚拟现实外科模拟器中,以实现现实的创伤训练.
• 这种方法有可能提高外科准备,并改善紧急情况下的患者护理.