La verificación de la construcción y el efecto de un modelo de segmentación semántica automatizada basado en el aprendizaje profundo para imágenes médicas

El carcinoma hepatocelular (CHC) es una enfermedad común en China. Se clasifica como el cuarto tumor maligno más común y la tercera causa principal de muertes relacionadas con el cáncer en el país. Junto con otras enfermedades hepáticas, biliares, pancreáticas y esplénicas, plantea una seria amenaza para las vidas y la salud de la población china. Las técnicas precisas de resección de órganos, centradas en imágenes preoperatorias precisas y evaluación funcional, así como operaciones quirúrgicas meticulosas, se han convertido en la corriente principal en la cirugía hepatobiliar en el siglo XXI. Estas técnicas requieren una disección precisa de los vasos sanguíneos intrahepáticos, el sistema biliar y el sistema de conductos splénicos pancreáticos para lograr un equilibrio óptimo entre erradicar las lesiones y preservar la función normal de los órganos al tiempo que minimiza el trauma al cuerpo. Por lo tanto, las preguntas clave que deben diseñarse cuidadosamente en la planificación preoperatoria incluyen: ¿Cómo maximizar la eliminación de lesiones al tiempo que preservan los tejidos y órganos normales? ¿Cómo garantizar márgenes quirúrgicos seguros? ¿Cómo controlar el daño durante la cirugía para garantizar la recuperación rápida de la función del tejido residual después de la operación? Con el desarrollo de imágenes médicas y el advenimiento de la edad de información, el campo de la cirugía hepática está entrando en la era de la cirugía hepatobiliar de precisión digital.

La resección tisular precisa a través de la laparoscopia es un requisito previo para una cirugía hepatobiliar exitosa. En comparación con la cirugía abierta, la cirugía laparoscópica ofrece ventajas como menos trauma, dolor postoperatorio reducido y una recuperación más rápida. Sin embargo, la cirugía laparoscópica también tiene inconvenientes, que incluyen retroalimentación táctil insuficiente, espacio quirúrgico limitado, campo de visión estrecho y maniobrabilidad restringida. La visibilidad y los ángulos de los instrumentos laparoscópicos son limitados. Al encontrar adherencias o situaciones complejas, la cirugía laparoscópica puede aumentar la dificultad operativa y prolongar el tiempo quirúrgico. Por lo tanto, los procedimientos laparoscópicos complejos requieren una amplia experiencia y tienen una curva de aprendizaje pronunciada. Cómo ayudar a los cirujanos a realizar cirugías de manera más segura y efectiva, así como cómo mejorar los resultados del aprendizaje durante la capacitación, son problemas apremiantes que deben abordarse. El aprendizaje y el análisis eficientes de los videos quirúrgicos pueden ayudar a mejorar el rendimiento intraoperatorio de los cirujanos.

En los últimos años, los avances en la inteligencia artificial (IA) han llevado a un aumento en la aplicación de la visión por computadora (CV) en el análisis de imágenes médicas, incluidos los videos quirúrgicos. La cirugía laparoscópica genera una gran cantidad de datos de video quirúrgico, proporcionando una nueva oportunidad para la mejora de la tecnología de CV quirúrgica laparoscópica. La tecnología CV basada en IA puede utilizar estos datos de video quirúrgico para desarrollar herramientas de soporte de decisiones automatizadas en tiempo real y sistemas de capacitación quirúrgica, ofreciendo nuevas direcciones para abordar las deficiencias de la cirugía laparoscópica. Los sistemas de IA pueden identificar fases quirúrgicas para varias tareas importantes, como registrar y analizar eventos adversos, educación, estadísticas y evaluar el rendimiento quirúrgico. Actualmente, estas tareas son realizadas manualmente por cirujanos especializados, que requiere mucho tiempo. Los sistemas de IA también pueden realizar la segmentación de escenas, incluida la identificación de estructuras anatómicas y áreas para evitar daños a estructuras críticas, así como reconocer instrumentos quirúrgicos para evitar accidentes. Los movimientos de instrumentos no controlados pueden causar daños a las estructuras adyacentes, e identificar acciones quirúrgicas (por ejemplo, técnicas de sutura) puede ayudar a evaluar el dominio de las habilidades. El uso de dichos sistemas durante la cirugía puede facilitar el monitoreo en tiempo real y ayudar a la toma de decisiones, potencialmente mejorando la seguridad y mejorando los resultados de los pacientes. Por ejemplo, los sistemas de asistencia en tiempo real pueden alertar a los cirujanos de aviones anatómicos incorrectos, maniobras erróneas o complicaciones inminentes.

Sin embargo, la aplicación de modelos de aprendizaje profundo en procedimientos quirúrgicos todavía tiene algunas deficiencias. Primero, el reconocimiento de fase quirúrgica puede estimar de forma independiente el tiempo quirúrgico restante, organizar efectivamente la logística en la sala de operaciones y proporcionar a los pasantes quirúrgicos materiales educativos informativos y específicos. Sin embargo, la investigación actual sobre el reconocimiento de fase quirúrgica sigue siendo difícil de aplicar clínicamente. Una razón es que la duración del video requerida para los modelos de IA reconoce las fases quirúrgicas a menudo es demasiado larga. Los datos de capacitación limitados y la optimización de la precisión general hacen que sea difícil para la IA reconocer los pasos de menor duración. Con un diseño de modelo mejorado y nuevos estándares de anotación, la IA puede lograr un reconocimiento de pasos de alta precisión, proporcionando información detallada para el desarrollo adicional de valiosos sistemas quirúrgicos asistidos por computadora.

Con base en esto, el presente estudio tiene como objetivo realizar un análisis retrospectivo de casos que involucran cirugías laparoscópicas hepatobiliares y pancreáticas realizadas en el Hospital Zhujiang, Southern Medical University, entre 2017 y 2024. El objetivo es investigar el reconocimiento y la validación de modelos de aprendizaje profundo para clasificar las imágenes de fase quirúrgica en imágenes médicas, así como para la segmentación semántica de estructuras anatómicas, instrumentos quirúrgicos y gestos quirúrgicos, incluidas la TC abdominal y la resonancia magnética.