Konstrukcja i weryfikacja głębokiego uczenia się zautomatyzowanego modelu segmentacji semantycznej do obrazowania medycznego

Rak wątrobowokomórkowy (HCC) jest częstą chorobą w Chinach. Zajmuje się czwartym najczęstszym nowotworem złośliwym i trzecią wiodącą przyczyną zgonów związanych z rakiem w tym kraju. Wraz z innymi chorobami w wątrobie, żółci, trzustki i śledziony stanowi poważne zagrożenie dla życia i zdrowia ludności chińskiej. Dokładne techniki resekcji narządów, koncentrujące się wokół dokładnego obrazowania przedoperacyjnego i oceny funkcjonalnej, a także skrupulatnych operacji chirurgicznych, stały się głównym nurtem operacji wątroby w XXI wieku. Techniki te wymagają precyzyjnego wycięcia wewnątrzwątrobowych naczyń krwionośnych, układu żółciowego i układu kanałowego-plleniowego, aby osiągnąć optymalną równowagę między zwalczaniem zmian i zachowaniem normalnej funkcji narządów przy jednoczesnym minimalizowaniu traumy do ciała. Dlatego kluczowe pytania, które należy starannie zaprojektować w planowaniu przedoperacyjnym, obejmują: jak zmaksymalizować usuwanie zmian przy zachowaniu normalnych tkanek i narządów? Jak zapewnić bezpieczne marże chirurgiczne? Jak kontrolować uszkodzenie podczas operacji, aby zapewnić szybkie odzyskanie resztkowej funkcji tkanki po operacji? Wraz z rozwojem obrazowania medycznego i nadejściem epoki informacyjnej dziedzina operacji wątroby wchodzi w erę cyfrowej precyzyjnej operacji wątroby.

Precyzyjna resekcja tkanki za pomocą laparoskopii jest warunkiem udanej operacji wątroby wątroby. W porównaniu z operacją otwartą chirurgia laparoskopowa oferuje takie zalety, jak mniej urazu, zmniejszony ból pooperacyjny i szybszy powrót do zdrowia. Jednak chirurgia laparoskopowa ma również wady, w tym niewystarczające informacje zwrotne dotykowe, ograniczoną przestrzeń chirurgiczną, wąskie pole widzenia i ograniczoną zwrotność. Widoczność i kąty instrumentów laparoskopowych są ograniczone. Podczas napotykania zrostów lub złożonych sytuacji chirurgia laparoskopowa może zwiększyć trudności operacyjne i wydłużyć czas chirurgiczny. Dlatego złożone procedury laparoskopowe wymagają dużego doświadczenia i mają stromą krzywą uczenia się. Jak pomóc chirurgom w wykonywaniu operacji bardziej i skutecznie, a także jak zwiększyć wyniki uczenia się podczas szkolenia, naciskają problemy, które należy rozwiązać. Skuteczne uczenie się i analiza filmów chirurgicznych może pomóc poprawić wydajność śródoperacyjną chirurgów.

W ostatnich latach postępy w sztucznej inteligencji (AI) doprowadziły do ​​wzrostu zastosowania wizji komputerowej (CV) w analizie obrazu medycznego, w tym filmów chirurgicznych. Chirurgia laparoskopowa generuje dużą ilość chirurgicznych danych wideo, zapewniając nową okazję do poprawy laparoskopowej technologii CV. Technologia CV oparta na sztucznej inteligencji może wykorzystywać te chirurgiczne dane wideo do opracowania zautomatyzowanych narzędzi do wsparcia decyzyjnego w czasie rzeczywistym i systemów szkolenia chirurgicznego, oferując nowe kierunki rozwiązania niedociągnięć chirurgii laparoskopowej. Systemy AI mogą zidentyfikować fazy chirurgiczne dla różnych ważnych zadań, takich jak rejestrowanie i analiza zdarzeń niepożądanych, edukacja, statystyka i ocena wyników chirurgicznych. Obecnie zadania te są wykonywane ręcznie przez wyspecjalizowanych chirurgów, co jest bardzo czasochłonne. Systemy AI mogą również wykonywać segmentację scen, w tym identyfikację struktur anatomicznych i obszarów, aby uniknąć uszkodzenia struktur krytycznych, a także rozpoznawanie instrumentów chirurgicznych w celu zapobiegania wypadkom. Niekontrolowane ruchy instrumentów mogą powodować uszkodzenie sąsiednich struktur, a identyfikacja działań chirurgicznych (np. Techniki szycia) mogą pomóc w oceny biegłości w umiejętnościach. Korzystanie z takich systemów podczas operacji może ułatwić monitorowanie w czasie rzeczywistym i pomóc w podejmowaniu decyzji, potencjalnie zwiększając bezpieczeństwo i poprawę wyników pacjentów. Na przykład systemy pomocy w czasie rzeczywistym mogą powiadomić chirurgów o niepoprawnych płaszczyznach anatomicznych, błędnych manewrach lub zbliżających się powikłań.

Jednak zastosowanie modeli głębokiego uczenia się w zabiegach chirurgicznych wciąż ma pewne niedociągnięcia. Po pierwsze, rozpoznawanie fazy chirurgicznej może niezależnie oszacować pozostały czas chirurgiczny, skutecznie układając logistykę na sali operacyjnej i zapewniając stażystom chirurgicznym pouczające i ukierunkowane materiały edukacyjne. Jednak obecne badania nad rozpoznawaniem fazy chirurgicznej są nadal trudne do zastosowania klinicznego. Jednym z powodów jest to, że czas trwania wideo wymagany dla modeli AI do rozpoznawania faz chirurgicznych jest często zbyt długi. Ograniczone dane treningowe i optymalizacja ogólnej dokładności sprawiają, że sztuczna inteligencja jest trudna do rozpoznania kroków krótszego czasu trwania. Dzięki ulepszonemu projektowaniu modelu i nowym standardom adnotacji AI może osiągnąć wysokie rozpoznawanie kroków, dostarczając szczegółowych informacji na temat dalszego rozwoju cennych komputerowych systemów chirurgicznych.

Na tej podstawie niniejsze badanie ma na celu przeprowadzenie retrospektywnej analizy przypadków obejmujących laparoskopowe operacje wątroby i trzustki w szpitalu Zhujiang, Southern Medical University, w latach 2017–2024. Celem jest zbadanie rozpoznawania i walidacji modeli głębokiego uczenia się do klasyfikacji obrazów fazy chirurgicznej w obrazowaniu medycznym, a także do semantycznej segmentacji struktur anatomicznych, instrumentów chirurgicznych i gestów chirurgicznych, w tym CT brzucha i MRI.