在腹腔镜视频中基于机器学习的电外科设备诱导出血的检测腹膜修复的腹膜修复视频
Vincent J Ribbens1,2, Simon C Baltus3,4, Can Ozan Tan2
1Surgery Department, Meander Medical Centre, Maatweg, 3818 TZ, Amersfoort, Utrecht, The Netherlands.
Surgical endoscopy
|August 18, 2025
概括
这项研究引入了一种机器学习方法,在腹腔镜手术视频中自动检测电外科手术期间的出血. 该系统通过识别出血事件,对外科技能评估有希望,尽管精确的检测需要进一步改进.
科学领域:
- 最少侵入性的手术
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
背景情况:
- 电外科设备对于腹腔镜手术中的组织剖析至关重要.
- 在最大限度地减少组织损伤的同时优化血液静止仍然是一个挑战.
- 监测电外科手术引起的出血可以帮助评估外科手术技能.
研究的目的:
- 开发一种基于机器学习的自动化方法,用于检测腹腔镜视频中由电外科设备引起的出血.
- 提供客观数据,用于评估腹腔镜手术中的外科技能.
主要方法:
- 采用了两步机器学习方法,使用随机森林分类器 (RFC) 来检测血液像素,并使用后勤回归 (LR) 模型来分类出血.
- 通过同步腹腔镜视频与能量发生器数据来提取设备激活时刻.
- 模型被训练并通过手动注释的数据来验证,这些数据来自45名接受膜修复的患者.
主要成果:
- 随机森林分类器在血液像素检测中实现了94%的准确性.
- 整体系统在检测器件诱导出血方面显示了78.2%的准确性,灵敏度为81.0%,特异性为78.1%.
- 该系统准确地识别了设备激活的视频片段,但在精确识别出血时面临着挑战.
结论:
- 开发的机器学习方法代表了向量化电外科手术影响的重要一步.
- 该系统在手术视频中显示了自动化出血检测的潜力.
- 未来的研究应该专注于使用更大,更多样化的数据集来提高检测准确性.
