多模式机器学习用于分期腹腔镜检查:一种结合图像分析和形态工具,用于区分腹膜转移

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 手术技术 手术技术

背景情况:

• 阶段性腹腔镜 (SL) 对于检测腹转移 (PM) 是至关重要的.
• 在手术内区分恶性和良性病变是具有挑战性的,容易出现错误的.
• 精确的腹病变的手术内评估对于患者管理至关重要.

研究的目的:

• 开发一种新的多式联机机器学习 (MML) 模型,以改进PM检测.
• 整合形态特征与手术内SL图像进行增强分类.
• 为外科医生在SL手术过程中创建一个AI驱动的决策支持工具.

主要方法:

• 深度学习 (DL) 模型被训练在SL视频上,以分类腹病变.
• 专家外科医生评估了病变形态,并对这些特征进行了传统ML模型的训练.
• 一个结合的MML模型整合了最好的基于图像的DL和基于形态的ML模型.
• 该MML模型在一个独立的测试组中得到验证,并与外科医生的预测进行了比较.

主要成果:

• MML模型实现了0.88的曲线下面面积 (AUC),超过基于图像的DL (AUC=0.72),基于形态的ML (AUC=0.86) 和外科医生的预测 (AUC=0.78).
• 该研究分析了来自67名患者的453个活检病变 (197个良性,256个恶性).
• 该MML模型在分类腹病变方面表现出卓越的辨别能力.

结论:

• 一个新的MML模型有效地结合了视觉和形态数据,用于在SL过程中进行PM分类.
• 开发的MML模型显示出作为一个内部操作决策支持工具的显著前景.
• 这种人工智能工具可以增强外科医生识别PM的能力,从而减少不必要的活检.