在有限的数据集上对手术质量分类的转移学习效率的评估
Roman Ishchenko1, Maksim Solopov1, Andrey Popandopulo1
1V.K. Gusak Institute of Emergency and Reconstructive Surgery, 283045 Donetsk, Russia.
Journal of imaging
|August 27, 2025
概括
使用卷积神经网络 (CNN) 的转移学习有效地从图像中对外科质量进行分类,即使数据有限. 这种自动化方法提供客观的技能评估,减少对主观专家评估的依赖.
科学领域:
- 医疗成像和人工智能
- 手术技能的评估
背景情况:
- 对外科技能的客观评价至关重要, 但往往依赖于主观评价.
- 医疗数据的有限可用性为开发自动诊断工具带来了重大挑战.
研究的目的:
- 使用预训练的卷积神经网络 (CNN) 评估转移学习的有效性,用于手术质的自动二进制分类.
- 评估三种不同的接类型的分类性能:中断开放的血管接 (IOVS),连续的反复开放接 (COOS) 和中断的腹腔镜接 (ILS).
主要方法:
- 通过5倍交叉验证,对8个最先进的CNN架构进行了训练和验证.
- 性能指标包括F1分数,接收器运行特征曲线下的面积 (AUC-ROC) 和自定义加权的稳定性意识分数 (Scoreadj).
- 用GradCAM可视化来解释模型对临床相关特征的关注.
主要成果:
- 转移学习尽管数据稀缺,但仍表现出强大的分类性能,IOVS/ILS获得F1分数>0.90,COOS获得0.79.
- 根据Scoreadj,ResNet50V2,DenseNet121和Xception的稳定性更高.
- 在IOVS内部视图分类中,ResNet50V2获得了最高的AUC-ROC (0. 959 ± 0. 008).
结论:
- 转移学习是开发客观,自动化的外科技能评估工具的有效和准确方法,即使在资源有限的环境中也是如此.
- 这项研究证实了CNN用于分析质量,减少了对主观专家判断的需求.
- 视觉化证实模型专注于临床上重要的特征,提高了自动评估的可靠性.
