在基于CMC-UNet模型的内镜/机器人甲状腺手术期间,人工智能辅助的复发性喉神经识别:一个多中心的回顾性研究
Tong Liu1, Jinrong Wang2, Yongcong Cai1
1Department of Head and Neck Surgery, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, University of Electronic Science and Technology of China, Chengdu, 610040, People's Republic of China.
Journal of robotic surgery
|October 29, 2025
概括
一个人工智能模型,CMC-UNet,在甲状腺手术期间准确识别了复发性喉神经 (RLN). 这项技术有助于外科医生,有可能减少在狭窄的外科领域中意外的神经损伤.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 甲状腺手术,特别是内镜或机器人辅助手术,由于可视化受限而存在挑战.
- 组织胀和出血可以进一步限制手术领域,增加微妙结构损伤的风险.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,用于在甲状腺手术期间准确识别复发性喉神经 (RLN).
- 通过降低意外RLN损伤的风险,提高手术安全.
主要方法:
- 在CMC-UNet模型的训练中使用了来自三个医院的103名患者的7482张图像的回顾性数据集.
- 该模型包含了各种改进策略,以提高RLN识别的准确性和稳定性.
- 绩效被评估使用子系数 (0.8575) 和交叉在联盟 (IoU) (0.7506) 的交叉.
主要成果:
- CMC-UNet模型在RLN识别中表现出高精度,优于其他模型.
- 尽管在RLN的过程中存在解剖学变异,但模型的稳健性得到了证实.
- 独立的专家评估验证了该模型的可靠性和临床适用性.
结论:
- 该CMC-UNet人工智能模型显示了在协助外科医生在甲状腺手术期间识别复发性喉神经的巨大潜力.
- 它的表现相当于高级医学专家,为临床决策提供辅助指导.
- 这项技术可能有助于减少手术环境中意外复发的喉神经损伤.
