深度学习的应用,用于在甲状腺和副甲状腺手术中用于神经监测的自动化电肌图波分类
Thomas J Musholt1, Petra B Musholt1, Tobias Kortus2
1Section of Endocrine Surgery, Department of General, Visceral and Transplantation Surgery, University Medical Center Mainz, Mainz, Germany.
BJS open
|January 8, 2026
概括
一个新的卷积神经网络准确地识别了手术期间错误标记的肌电图信号,改善了神经监测数据的质量. 这种人工智能工具有助于实时预防错误,提高了甲状腺手术中的患者安全.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 在甲状腺外科手术中,手术内神经监测至关重要,它涉及到电肌图学信号记录.
- 外科医生手动标记神经信号,但20%的错误标记率带来风险.
- 需要自动错误检测来提高数据准确性和患者安全.
研究的目的:
- 开发一个多任务一维卷积神经网络 (CNN),用于自动检测错误标记的电肌图信号.
- 通过人工智能驱动的错误警报来提高手术内神经监测数据的可靠性.
主要方法:
- 使用MIONQA软件进行原始的手术内神经监测数据校正.
- 提取了标记的肌电图信号和纳入的元数据用于CNN培训.
- 训练,验证和测试各种CNN,使用150-280个提取的特征.
主要成果:
- 优化的CNN实现了高精度:95.72%用于神经识别,97.68%用于身体侧预测,97.61%用于刺激时间点分类.
- 在 11,414 个电肌图上进行训练,并在 4891 个电肌图上进行测试,证明了强大的性能.
- 在0.993的曲线下获得了优秀的面积,用于电肌图学峰值信号分类.
结论:
- 开发的CNN准确地对电肌图信号进行分类,从而实现自动识别和纠正错误标记的数据.
- 提高数据质量对于训练人工智能进行神经监测至关重要,允许外科医生实时发出警报.
- 未来的工作将集中在更广泛的临床场景和外部数据集上,以优化该工具的临床应用.
