深度学习用于垂体腺瘤的自动细分:视频学研究

科学领域:

• 医疗成像医学成像
• 在外科手术中使用人工智能
• 神经外科 神经外科

背景情况:

• 视频学集成了视频内镜和人工智能,用于实时手术分析.
• 精确的下垂体腺瘤 (PAs) 的手术内细分对于内镜手术的精度至关重要.
• 深度学习 (DL) 模型为自动化PA细分提供了潜力.

研究的目的:

• 为了评估和比较Swin变压器,YOLO和Mask R-CNN DL模型的性能,用于自动PA细分.
• 确定在内镜外科手术中划分PA瘤边界的最准确模型.
• 评估AI在增强神经外科手术过程中的视频学方面的潜力.

主要方法:

• 对700张PAS内镜内外科手术的回顾性分析 (2022年1月至2023年12月).
• 由两个临床医生 (κ = 0.85) 进行手动细分,以获得地面真相.
• 在使用平均平均精度 (mAP) 的100个时代中训练和优化Swin变压器,YOLOv8x和Mask R-CNN模型.

主要成果:

• 斯温变压器获得了最高的mAP[0.50] (0.607),显著超过YOLOv8x (0.416) 和Mask R-CNN (0.480) (P < .05).
• 与其他模型相比,Swin变压器表现出优越的子相似系数 (0.89),回忆 (0.91) 和精度 (0.88).
• 统计分析证实了模型之间的显著性能差异 (P < .05).

结论:

• 斯温变压器模型显示了对垂体腺瘤边界划分的卓越准确性.
• 这种DL模型具有显著的潜力,可以作为在手术内PA细分的先进工具.
• 人工智能驱动的视频学可以提高内镜内外科手术的精度.