在 laparoscopic 胃切除术后预测解剖切除或茎泄漏:对手术内图像分析的深度学习方法

科学领域:

• 手术瘤学手术瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 术后泄漏是胃癌的腹腔镜胃切除术后的一个重要并发症.
• 早期发现泄漏对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证深度学习模型,用于预测在腹腔镜胃切除术期间在解位的术后泄漏.
• 评估各种深度学习架构在对正常图像和泄漏图像进行分类方面的性能.

主要方法:

• 分析了来自2,035名经过胃切除术的胃癌患者的10,256张腹腔镜图像.
• 在六个不同的数据集上训练六个深度学习模型 (ResNet18,ResNet34,ResNet50,EfficientNet_V2_L,Inception_V3,DenseNet121).
• 使用F1分数,回忆和Grad-CAM可视化对十二指肠茎 (DS) 和食道关节 (EJ) 瘤进行模型性能评估.

主要成果:

• 观察到的泄漏率为1.3% (DS) 和4.3% (EJ).
• 在EXP1数据集,利用单图像分析与增强,产生了最好的性能.
• 在EXP1上的ResNet18获得了最高的召回率 (0.8474为DS,0.8000为EJ) 和F1得分 (0.6357为DS,0.6938为EJ).
• 格拉德-CAM分析表明,局部和周围组织特征在预测中的重要性.

结论:

• 深度学习模型在预测胃癌手术期间的术后泄漏方面表现有前途.
• 高分辨率成像,单图像分析和数据增强是成功模型性能的关键因素.
• 这些发现支持AI在手术图像分析中的潜在临床应用,以改善患者护理.