基于深度学习的视频学用于内镜内外科手术中的自动细分
Edoardo Agosti1, Andrea Pagnoni1, Cesare Zoia2
1Neurosurgery Division, Department of Medical and Surgical Specialties, Radiological Sciences and Public Health, University of Brescia, 25123 Brescia, Italy.
Annali italiani di chirurgia
|March 16, 2026
概括
深度学习 (DL) 视频学在内镜内外科手术中显示出高精度的细分组织. 虽然像Swin Transformer和YOLO这样的模型提供实时手术支持,但临床采用受到数据不一致的阻碍.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 内視鏡外科手術 內視鏡外科手術
背景情况:
- 视频学,使用内镜视频上的深度学习 (DL),增强实时组织细分和解剖识别.
- 在内镜内鼻治疗方法中的潜在应用包括改善手术内可视化,瘤划分和手术精度.
- 这些先进方法的临床转化仍然有限,需要进一步描述.
研究的目的:
- 系统地审查目前关于内镜内外科手术中基于DL的细分的证据.
- 分析模型架构,细分目标和报告结果.
- 确定临床实施的障碍.
主要方法:
- 按照PRISMA 2020指南进行系统的文献搜索 (PubMed,Scopus,科学网).
- 包括从2018年至2025年的研究,涉及人类内镜内腔手术和DL细分.
- 提取关于样本大小,图像分辨率,数据集,DL架构,目标和性能指标的数据;使用纽卡斯尔-太华尺度进行质量评估.
主要成果:
- 28项研究 (154,989名患者,1,028,440张图像) 符合纳入标准.
- 常见的目标:鼻 (25%),鼻癌 (21.4%),垂体腺瘤 (7.14%).
- 高性能指标 (AUC-ROC: 87.4%-99.2%,mIoU: 61.2%-81.7%,mAP: 53.4%-94.9%),越来越多地使用变压器模型;注意到数据集异质性.
结论:
- 深度学习视频学在内镜内外科手术中实现了对各种病理的高细分精度.
- 斯温变压器和YOLO模型显示出对实时手术辅助的承诺.
- 临床整合受到数据集异质性和不一致的报告标准的挑战.
