通过深度组合学习实现强大的外科手术阶段识别
Flakë Bajraktari1, Lina Hauser2, Peter P Pott2
1Institute of Medical Device Technology, University of Stuttgart, Pfaffenwaldring 9, 70569, Stuttgart, Germany. flake.bajraktari@imt.uni-stuttgart.de.
International journal of computer assisted radiology and surgery
|November 8, 2025
概括
合体学习通过结合多种深度学习模型,显著提高了手术阶段识别. 这种方法提高了准确性和可靠性,为人工智能引导的手术提供了临床上有意义的好处.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 自动手术工作流程识别对于上下文意识的手术室系统至关重要.
- 由于程序的复杂性和个别深度学习模型的局限性,手术阶段识别的高精度具有挑战性.
研究的目的:
- 研究组合学习以改善外科手术阶段识别.
- 结合多种深度学习架构,以减轻单个模型的弱点.
- 使用Cholec80数据集来提高性能.
主要方法:
- 将各种先进的深度学习架构集成到组合中.
- 选择并调整了15个独特的模型,以确保多样性.
- 探索了不同的整体策略,包括多数投票和Stacking.Net.
主要成果:
- 与单个模型相比,集体学习显著提高了绩效.
- 大多数投票和StackingNet显示出优异的结果.
- 具有高模型多样性的最佳组合提高了1.48%的精度,F1得分提高了3.68%,雅卡德指数提高了5.43%.
结论:
- 合体学习通过利用各种深度学习模型,大大提高了手术阶段识别.
- 团队规模,多样性和元模型选择是关键的绩效因素.
- 改进提供了临床上有意义的好处,增加了对AI的可靠性和外科医生的信任.