La verifica della costruzione e dell'effetto di un modello di segmentazione semantica automatica basata sull'apprendimento profondo per l'imaging medico

Il carcinoma epatocellulare (HCC) è una malattia comune in Cina. Si classifica come il quarto tumore maligno più comune e la terza principale causa di decessi legati al cancro nel paese. Insieme ad altre malattie epatiche, biliare, pancreatica e splenica, rappresenta una grave minaccia per la vita e la salute della popolazione cinese. Le tecniche precise di resezione degli organi, incentrate su imaging preoperatorio accurato e valutazione funzionale, nonché operazioni chirurgiche meticolose, sono diventate il mainstream nella chirurgia epatobiliare nel 21 ° secolo. Queste tecniche richiedono una precisa dissezione di vasi sanguigni intraepatici, il sistema biliare e il sistema del dotto pancreatico-splenico per raggiungere un equilibrio ottimale tra sradicare le lesioni e preservare la normale funzione degli organi minimizzando il trauma al corpo. Pertanto, le domande chiave che devono essere attentamente progettate nella pianificazione preoperatoria includono: come massimizzare la rimozione delle lesioni preservando i tessuti e gli organi normali? Come garantire margini chirurgici sicuri? Come controllare i danni durante l'intervento chirurgico per garantire il rapido recupero della funzione del tessuto residuo dopo l'intervento? Con lo sviluppo dell'imaging medico e l'avvento dell'era dell'informazione, il campo della chirurgia epatica sta entrando nell'era della chirurgia epatobiliare di precisione digitale.

La resezione del tessuto precisa tramite laparoscopia è un prerequisito per una chirurgia epatobiliare di successo. Rispetto alla chirurgia aperta, la chirurgia laparoscopica offre vantaggi come meno traumi, riduzione del dolore postoperatorio e un recupero più rapido. Tuttavia, la chirurgia laparoscopica presenta anche svantaggi, tra cui un feedback tattile insufficiente, uno spazio chirurgico limitato, un campo visivo ristretto e una manovrabilità limitata. La visibilità e gli angoli degli strumenti laparoscopici sono limitati. Quando si incontrano aderenze o situazioni complesse, la chirurgia laparoscopica può aumentare la difficoltà operativa e prolungare il tempo chirurgico. Pertanto, le complesse procedure laparoscopiche richiedono una vasta esperienza e hanno una ripida curva di apprendimento. Come aiutare i chirurghi a eseguire interventi chirurgici in modo più sicuro ed efficace, nonché come migliorare i risultati di apprendimento durante la formazione, sono problemi urgenti che devono essere affrontati. L'apprendimento e un'analisi efficienti dei video chirurgici possono aiutare a migliorare le prestazioni intraoperatorie dei chirurghi.

Negli ultimi anni, i progressi nell'intelligenza artificiale (AI) hanno portato a un aumento dell'applicazione della visione artificiale (CV) nell'analisi delle immagini mediche, compresi i video chirurgici. La chirurgia laparoscopica genera una grande quantità di dati video chirurgici, offrendo una nuova opportunità per il miglioramento della tecnologia CV chirurgica laparoscopica. La tecnologia CV basata sull'intelligenza artificiale può utilizzare questi dati video chirurgici per sviluppare strumenti di supporto alle decisioni automatizzate in tempo reale e sistemi di formazione chirurgica, offrendo nuove direzioni per affrontare le carenze della chirurgia laparoscopica. I sistemi AI possono identificare fasi chirurgiche per vari compiti importanti, come la registrazione e l'analisi di eventi avversi, istruzione, statistiche e valutazione delle prestazioni chirurgiche. Attualmente, questi compiti vengono eseguiti manualmente da chirurghi specializzati, che richiede molto tempo. I sistemi di intelligenza artificiale possono anche eseguire la segmentazione della scena, inclusa l'identificazione di strutture e aree anatomiche per evitare danni alle strutture critiche, nonché riconoscere strumenti chirurgici per prevenire gli incidenti. I movimenti degli strumenti non controllati possono causare danni alle strutture adiacenti e l'identificazione di azioni chirurgiche (ad es. Tecniche di sutura) possono aiutare a valutare la competenza delle competenze. L'uso di tali sistemi durante l'intervento chirurgico può facilitare il monitoraggio in tempo reale e aiutare il processo decisionale, potenzialmente migliorando la sicurezza e migliorando i risultati dei pazienti. Ad esempio, i sistemi di assistenza in tempo reale possono avvisare i chirurghi di piani anatomici errati, manovre errate o complicazioni imminenti.

Tuttavia, l'applicazione di modelli di apprendimento profondo nelle procedure chirurgiche presenta ancora alcune carenze. In primo luogo, il riconoscimento della fase chirurgica può stimare in modo indipendente il tempo chirurgico rimanente, organizzando efficacemente la logistica in sala operatoria e fornendo stagisti chirurgici materiali educativi informativi e mirati. Tuttavia, l'attuale ricerca sul riconoscimento della fase chirurgica è ancora difficile da applicare clinicamente. Uno dei motivi è che la durata del video richiesta per i modelli di intelligenza artificiale per riconoscere le fasi chirurgiche è spesso troppo lunga. Dati di allenamento limitati e l'ottimizzazione dell'accuratezza complessiva rendono difficile per l'IA riconoscere le fasi a breve durata. Con una progettazione di modelli migliorati e nuovi standard di annotazione, l'IA può ottenere un riconoscimento delle fasi ad alta precisione, fornendo informazioni dettagliate per l'ulteriore sviluppo di preziosi sistemi chirurgici assistiti da computer.

Sulla base di questo, il presente studio mira a condurre un'analisi retrospettiva dei casi che coinvolgono interventi di epatobiliaria laparoscopica e di interventi pancreatici eseguiti presso l'ospedale di Zhujiang, Southern Medical University, tra il 2017 e il 2024. L'obiettivo è studiare il riconoscimento e la convalida dei modelli di apprendimento profondo per la classificazione delle immagini di fase chirurgica nell'imaging medico, nonché per la segmentazione semantica di strutture anatomiche, strumenti chirurgici e gesti chirurgici, tra cui CT addominale e risonanza magnetica.