Syvän oppimispohjaisen automatisoidun semanttisen segmentointimallin rakennus- ja vaikutusten todentaminen lääketieteelliseen kuvantamiseen

Maksasyöpä (HCC) on yleinen sairaus Kiinassa. Se on neljänneksi yleisin pahanlaatuinen kasvain ja kolmanneksi johtava syöpään liittyvien kuolemien syy. Yhdessä muiden maksa-, sappi-, haiman ja pernasairauksien kanssa se aiheuttaa vakavan uhan Kiinan väestön elämälle ja terveydelle. Tarkat elinten resektiotekniikat, jotka keskittyvät tarkkoihin preoperatiiviseen kuvantamiseen ja toiminnalliseen arviointiin sekä huolellisiin kirurgisiin operaatioihin, ovat tulleet yleinen maksa -vuosisadalla maksavallan leikkaus. Nämä tekniikat vaativat intrahepaattisten verisuonten, sappijärjestelmän ja haiman ja papenisen kanavajärjestelmän tarkan leikkauksen optimaalisen tasapainon saavuttamiseksi vaurioiden hävittämisen ja elimen normaalin toiminnan säilyttämiseksi samalla kun kehon trauma on minimoi. Siksi avainkysymyksiin, jotka on suunniteltu huolellisesti preoperatiivisessa suunnittelussa Kuinka varmistaa turvalliset kirurgiset marginaalit? Kuinka hallita vaurioita leikkauksen aikana varmistaaksesi jäännöskudoksen toiminnan nopean palautumisen leikkauksen jälkeen? Lääketieteellisen kuvantamisen ja tietokauden tulon kehittymisen myötä maksakirurgian ala on tulossa digitaalisen tarkkuuden hepatobiliaarikirurgian aikakauteen.

Tarkka kudoksen resektio laparoskopian kautta on edellytys menestyvälle maksasapakkakirurgialle. Verrattuna avoimeen leikkaukseen laparoskooppinen leikkaus tarjoaa etuja, kuten vähemmän traumaa, vähentynyttä leikkauksen jälkeistä kipua ja nopeamman toipumisen. Laparoskooppisella leikkauksella on kuitenkin myös haittoja, mukaan lukien riittämätön kosketuspalaute, rajoitettu kirurginen tila, kapea näkökenttä ja rajoitettu ohjattavuus. Laparoskooppisten instrumenttien näkyvyys ja kulmat ovat rajalliset. Kun kohtaat tarttuvuuksia tai monimutkaisia ​​tilanteita, laparoskooppinen leikkaus voi lisätä toimintavaikeuksia ja pidentää kirurgista aikaa. Siksi monimutkaiset laparoskooppiset toimenpiteet vaativat laajaa kokemusta ja niillä on jyrkkä oppimiskäyrä. Kuinka auttaa kirurgeja suorittamaan leikkauksia turvallisemmin ja tehokkaammin, samoin kuin kuinka parantaa oppimistuloksia koulutuksen aikana, ovat kiireellisiä kysymyksiä, joihin on puututtava. Kirurgisten videoiden tehokas oppiminen ja analysointi voivat auttaa parantamaan kirurgien intraoperatiivista suorituskykyä.

Viime vuosina keinotekoisen älykkyyden edistysaskeleet (AI) ovat johtaneet tietokonevision (CV) soveltamiseen lääketieteellisessä kuvaanalyysissä, mukaan lukien kirurgiset videot. Laparoskooppinen leikkaus tuottaa suuren määrän kirurgista videotietoja, jotka tarjoavat uuden mahdollisuuden parantaa laparoskooppista kirurgista CV -tekniikkaa. AI-pohjainen CV-tekniikka voi hyödyntää näitä kirurgisia videotietoja reaaliaikaisten automatisoitujen päätöksenteon tukityökalujen ja kirurgisten koulutusjärjestelmien kehittämiseen tarjoamalla uusia ohjeita laparoskooppisen kirurgian puutteiden ratkaisemiseksi. AI -järjestelmät voivat tunnistaa erilaisten tärkeiden tehtävien kirurgiset vaiheet, kuten haittavaikutusten, koulutuksen, tilastojen ja kirurgisen suorituskyvyn arviointi. Tällä hetkellä nämä tehtävät suorittavat manuaalisesti erikoistuneet kirurgit, mikä on erittäin aikaa vievää. AI -järjestelmät voivat myös suorittaa kohtauksen segmentointia, mukaan lukien anatomisten rakenteiden ja alueiden tunnistaminen kriittisten rakenteiden vaurioiden välttämiseksi sekä kirurgisten välineiden tunnistaminen onnettomuuksien estämiseksi. Hallitsemattomat instrumenttiliikkeet voivat aiheuttaa vaurioita vierekkäisille rakenteille, ja kirurgisten toimien (esim. Ompelutekniikat) tunnistaminen voi auttaa arvioimaan taitojen taitoa. Tällaisten järjestelmien käyttäminen leikkauksen aikana voi helpottaa reaaliaikaista seurantaa ja auttaa päätöksentekoa, parantaa turvallisuutta ja parantaa potilaiden tulosten parantamista. Esimerkiksi reaaliaikaiset avustusjärjestelmät voivat varoittaa kirurgeja virheellisistä anatomisista tasoista, virheellisistä liikkeistä tai lähestyvistä komplikaatioista.

Syvän oppimismallien soveltamisella kirurgisissa toimenpiteissä on kuitenkin edelleen joitain puutteita. Ensinnäkin kirurgisen vaiheen tunnistaminen voi arvioida itsenäisesti jäljellä olevan kirurgisen ajan, järjestämällä tehokkaasti leikkaussalissa ja tarjoamalla kirurgisia harjoittelijoita informatiivisilla ja kohdennetuilla koulutusmateriaaleilla. Kirurgisen vaiheen tunnistamista koskevaa nykyistä tutkimusta on kuitenkin edelleen vaikea soveltaa kliinisesti. Yksi syy on, että AI -malleille tarvittava videon kesto kirurgisten vaiheiden tunnistamiseksi on usein liian pitkä. Rajoitettu harjoitustiedot ja yleisen tarkkuuden optimointi tekevät AI: lle haastavan lyhyemmän keston vaiheen tunnistamisen. Parannettujen mallisuunnittelun ja uusien merkintöjen standardien avulla AI voi saavuttaa tarkkaan askeleen tunnistamisen tarjoamalla yksityiskohtaista tietoa arvokkaiden tietokoneavusteisten kirurgisten järjestelmien jatkokehityksestä.

Tämän perusteella tämän tutkimuksen tavoitteena on suorittaa retrospektiivinen analyysi tapauksista, joihin liittyy laparoskooppisia hepatobiliaarisia ja haiman leikkauksia Zhujiangin sairaalassa, Etelä -lääketieteellisessä yliopistossa, vuosina 2017-2024. Tavoitteena on tutkia syvän oppimisen mallien tunnistamista ja validointia kirurgisen vaihekuvien luokittelemiseksi lääketieteellisessä kuvantamisessa sekä anatomisten rakenteiden, kirurgisten instrumenttien ja kirurgisten eleiden, mukaan lukien vatsan CT ja MRI, semanttisen segmentoinnin semanttisen segmentoinnin semanttisen segmentoinnin semanttisen segmentoinnin.