A verificação de construção e efeito de um modelo de segmentação semântica automatizada profunda baseada em aprendizado para imagem médica

O carcinoma hepatocelular (CHC) é uma doença comum na China. Ele é o quarto tumor maligno mais comum e a terceira principal causa de mortes relacionadas ao câncer no país. Juntamente com outros doenças fígado, biliar, pancreático e esplênico, representa uma séria ameaça à vida e à saúde da população chinesa. Técnicas precisas de ressecção de órgãos, centralizadas em imagens pré -operatórias precisas e avaliação funcional, bem como operações cirúrgicas meticulosas, tornaram -se o mainstream na cirurgia hepatobiliar no século XXI. Essas técnicas requerem dissecção precisa dos vasos sanguíneos intra-hepáticos, do sistema biliar e do sistema de ductos pancreáticos-sopênicos para alcançar um equilíbrio ideal entre erradicar as lesões e preservar a função normal dos órgãos e minimizar o trauma no corpo. Portanto, as principais questões que devem ser cuidadosamente projetadas no planejamento pré -operatório incluem: Como maximizar a remoção de lesões, preservando tecidos e órgãos normais? Como garantir margens cirúrgicas seguras? Como controlar os danos durante a cirurgia para garantir a rápida recuperação da função de tecido residual no pós -operatório? Com o desenvolvimento da imagem médica e o advento da era da informação, o campo da cirurgia hepática está entrando na era da cirurgia hepatobiliar de precisão digital.

A ressecção precisa dos tecidos por laparoscopia é um pré -requisito para uma cirurgia hepatobiliar bem -sucedida. Comparado à cirurgia aberta, a cirurgia laparoscópica oferece vantagens como menos trauma, dor pós -operatória reduzida e recuperação mais rápida. No entanto, a cirurgia laparoscópica também possui desvantagens, incluindo feedback tátil insuficiente, espaço cirúrgico limitado, campo estreito de visão e manobrabilidade restrita. A visibilidade e os ângulos dos instrumentos laparoscópicos são limitados. Ao encontrar aderências ou situações complexas, a cirurgia laparoscópica pode aumentar a dificuldade operacional e prolongar o tempo cirúrgico. Portanto, procedimentos laparoscópicos complexos requerem experiência extensa e têm uma curva de aprendizado acentuada. Como ajudar os cirurgiões a realizar cirurgias com mais segurança e eficácia, bem como como melhorar os resultados da aprendizagem durante o treinamento, estão pressionando problemas que precisam ser abordados. A aprendizagem e análise eficientes de vídeos cirúrgicos podem ajudar a melhorar o desempenho intraoperatório dos cirurgiões.

Nos últimos anos, os avanços na inteligência artificial (IA) levaram a um aumento na aplicação da visão computacional (CV) na análise de imagens médicas, incluindo vídeos cirúrgicos. A cirurgia laparoscópica gera uma grande quantidade de dados de vídeo cirúrgicos, oferecendo uma nova oportunidade para o aprimoramento da tecnologia de CV cirúrgica laparoscópica. A tecnologia CV baseada em IA pode utilizar esses dados de vídeo cirúrgico para desenvolver ferramentas de suporte de decisão automatizadas em tempo real e sistemas de treinamento cirúrgico, oferecendo novas direções para abordar as deficiências da cirurgia laparoscópica. Os sistemas de IA podem identificar fases cirúrgicas para várias tarefas importantes, como registrar e analisar eventos adversos, educação, estatística e avaliar o desempenho cirúrgico. Atualmente, essas tarefas são executadas manualmente por cirurgiões especializados, que consome muito tempo. Os sistemas de IA também podem executar a segmentação de cenas, incluindo a identificação de estruturas e áreas anatômicas para evitar danos a estruturas críticas, além de reconhecer instrumentos cirúrgicos para evitar acidentes. Os movimentos não controlados do instrumento podem causar danos às estruturas adjacentes e a identificação de ações cirúrgicas (por exemplo, técnicas de suturação) podem ajudar a avaliar a proficiência de habilidades. O uso desses sistemas durante a cirurgia pode facilitar o monitoramento em tempo real e ajudar a tomada de decisão, potencialmente aumentando a segurança e melhorando os resultados dos pacientes. Por exemplo, os sistemas de assistência em tempo real podem alertar os cirurgiões sobre planos anatômicos incorretos, manobras errôneas ou complicações iminentes.

No entanto, a aplicação de modelos de aprendizado profundo em procedimentos cirúrgicos ainda tem algumas deficiências. Primeiro, o reconhecimento de fase cirúrgica pode estimar independentemente o tempo cirúrgico restante, organizando efetivamente a logística na sala de operações e fornecendo a estagiários cirúrgicos com materiais educacionais informativos e direcionados. No entanto, a pesquisa atual sobre o reconhecimento de fase cirúrgica ainda é difícil de aplicar clinicamente. Uma razão é que a duração do vídeo necessária para os modelos de IA reconhecer as fases cirúrgicas geralmente é muito longo. Os dados de treinamento limitados e a otimização da precisão geral tornam o desafio para a IA reconhecer etapas de duração mais curta. Com o design de modelo aprimorado e os novos padrões de anotação, a IA pode obter reconhecimento de etapas de alta precisão, fornecendo informações detalhadas para o desenvolvimento adicional de valiosos sistemas cirúrgicos assistidos por computador.

Com base nisso, o presente estudo tem como objetivo realizar uma análise retrospectiva de casos envolvendo cirurgias hepatobiliares e pancreáticas laparoscópicas realizadas no Hospital Zhujiang, Southern Medical University, entre 2017 e 2024. O objetivo é investigar o reconhecimento e validação de modelos de aprendizado profundo para classificar imagens de fase cirúrgica em imagem médica, bem como para segmentação semântica de estruturas anatômicas, instrumentos cirúrgicos e gestos cirúrgicos, incluindo TC abdominal e ressonância magnética.