开发一种深度学习模型,用于在单侧双门内镜脊柱手术中自动检测和量化出血
Takaki Yoshimizu1,2, Daisuke Sakai3,2, Daiki Morita4
1Department of Orthopaedic Surgery, Seirei Hamamatsu General Hospital, Hamamatsu 430-8558, Japan.
Journal of clinical medicine
|March 14, 2026
概括
一个深度学习模型准确地检测和量化在单边双门内镜脊柱手术 (UBE) 期间的手术内出血,帮助视野损伤评估. 这项技术支持手术决策和质量评估.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 脊柱外科手术 技术 技术
背景情况:
- 在单侧双门内镜脊柱手术 (UBE) 中进行手术内出血的评估通常是主观的.
- 需要对出血进行客观的量化,以评估视野损伤.
- 深度学习为手术视频数据的自动化分析提供了潜力.
研究的目的:
- 开发和验证一个深度学习模型,用于检测和量化UBE的手术内出血.
- 客观地评估出血引起的视野损伤.
- 建立一个工具来评估手术质量和静血技术.
主要方法:
- 在UBE视频中的223,568张图像上训练了一个U-Net++细分模型.
- 最初的训练使用了基于HSV的红色面具,然后通过350个手动注释图像进行了微调.
- 模型的性能与180张由三个脊椎外科医生注释的基准真相图像进行了验证,使用了Dice和IoU指标.
主要成果:
- 微调的模型实现了86%的准确性,93%的灵敏性和60%的特异性.
- 像素级别的细分实现了0.79的Dice中位数和0.65.6的IOU.
- 在具有高度外科医生同意和显著出血 (>20%) 的病例中,性能超过了Dice 0.80.
结论:
- 一个深度学习模型可以准确地检测和量化UBE中临床显著的手术内出血.
- 该模型客观地评估静止图像和手术视频中的视野损伤.
- 潜在的应用包括静血技术评估,手术质量评估和实时决策支持.
