Konstruktions- och effektverifiering av en djup inlärningsbaserad automatiserad semantisk segmenteringsmodell för medicinsk avbildning

Hepatocellulärt karcinom (HCC) är en vanlig sjukdom i Kina. Det rankas som den fjärde vanligaste maligna tumören och den tredje ledande orsaken till cancerrelaterade dödsfall i landet. Tillsammans med andra lever-, gallvägar, bukspottkörtel- och miltsjukdomar utgör det ett allvarligt hot mot den kinesiska befolkningens liv och hälsa. Exakta organresektionstekniker, centrerade kring exakt preoperativ avbildning och funktionell bedömning samt noggranna kirurgiska operationer, har blivit mainstream i hepatobiliär kirurgi under 2000 -talet. Dessa tekniker kräver exakt dissektion av intrahepatiska blodkärl, gallvägssystemet och det bukspottkörtel-speniska kanalsystemet för att uppnå en optimal balans mellan att utrota lesionerna och bevara organens normala funktion samtidigt som trauma minimeras till kroppen. Därför inkluderar viktiga frågor som måste utformas noggrant i preoperativ planering: hur man maximerar borttagningen av lesioner samtidigt som de bevarar normala vävnader och organ? Hur man säkerställer säkra kirurgiska marginaler? Hur kontrollerar jag skador under operationen för att säkerställa snabb återhämtning av återstående vävnadsfunktion postoperativt? Med utvecklingen av medicinsk avbildning och tillkomsten av informationsåldern går området för leverkirurgi in i en era för digital precision hepatobiliary kirurgi.

Exakt vävnadsresektion via laparoskopi är en förutsättning för framgångsrik hepatobiliär kirurgi. Jämfört med öppen kirurgi erbjuder laparoskopisk kirurgi fördelar som mindre trauma, minskad postoperativ smärta och snabbare återhämtning. Laparoskopisk kirurgi har emellertid också nackdelar, inklusive otillräcklig taktil återkoppling, begränsat kirurgiskt utrymme, smalt synfält och begränsad manövrerbarhet. Synligheten och vinklarna för laparoskopiska instrument är begränsade. När man möter vidhäftningar eller komplexa situationer kan laparoskopisk kirurgi öka operativa svårigheter och förlänga kirurgisk tid. Därför kräver komplexa laparoskopiska procedurer omfattande erfarenhet och har en brant inlärningskurva. Hur man hjälper kirurger att utföra operationer säkrare och effektivt, liksom hur man kan förbättra inlärningsresultaten under träning, pressar på frågor som måste tas upp. Effektivt lärande och analys av kirurgiska videor kan hjälpa till att förbättra kirurgernas intraoperativa prestanda.

Under de senaste åren har framsteg inom artificiell intelligens (AI) lett till en ökning av tillämpningen av Computer Vision (CV) i medicinsk bildanalys, inklusive kirurgiska videor. Laparoskopisk kirurgi genererar en stor mängd kirurgiska videodata, vilket ger en ny möjlighet för förbättring av laparoskopisk kirurgisk CV -teknik. AI-baserad CV-teknik kan använda dessa kirurgiska videodata för att utveckla realtidsautomatiserade beslutsstödverktyg och kirurgiska träningssystem, och erbjuder nya anvisningar för att hantera bristerna i laparoskopisk kirurgi. AI -system kan identifiera kirurgiska faser för olika viktiga uppgifter, såsom inspelning och analys av biverkningar, utbildning, statistik och utvärdering av kirurgisk prestanda. För närvarande utförs dessa uppgifter manuellt av specialiserade kirurger, vilket är mycket tidskrävande. AI -system kan också utföra scensegmentering, inklusive att identifiera anatomiska strukturer och områden för att undvika skador på kritiska strukturer, samt erkänna kirurgiska instrument för att förhindra olyckor. Okontrollerade instrumentrörelser kan orsaka skador på angränsande strukturer och identifiera kirurgiska verkningar (t.ex. sutureringstekniker) kan hjälpa till att bedöma färdighetskompetens. Att använda sådana system under operationen kan underlätta övervakning i realtid och hjälpa till beslutsfattande, potentiellt förbättra säkerheten och förbättra patientens resultat. Till exempel kan realtidshjälpssystem varna kirurger för att felaktiga anatomiska plan, felaktiga manövrar eller förestående komplikationer.

Tillämpningen av djupa inlärningsmodeller i kirurgiska ingrepp har dock fortfarande vissa brister. För det första kan kirurgisk fasigenkänning oberoende uppskatta den återstående kirurgiska tiden, effektivt ordna logistik i operationssalen och ge kirurgiska praktikanter informativa och riktade utbildningsmaterial. Men nuvarande forskning om kirurgisk fasigenkänning är fortfarande svår att tillämpa kliniskt. En anledning är att den videoklipp som krävs för AI -modeller att känna igen kirurgiska faser ofta är för lång. Begränsade träningsdata och optimering av den totala noggrannheten gör det utmanande för AI att känna igen steg för kortare varaktighet. Med förbättrad modelldesign och nya annotationsstandarder kan AI uppnå högprecisionsstegsigenkänning, vilket ger detaljerad information för vidareutveckling av värdefulla datorassisterade kirurgiska system.

Baserat på detta syftar den aktuella studien till att genomföra en retrospektiv analys av fall som involverar laparoskopiska hepatobiliary och bukspottkörteloperationer utförda vid Zhujiang Hospital, Southern Medical University, mellan 2017 och 2024. Målet är att undersöka erkännande och validering av djupa inlärningsmodeller för klassificering av kirurgiska fasbilder i medicinsk avbildning, såväl som för semantisk segmentering av anatomiska strukturer, kirurgiska instrument och kirurgiska gester, inklusive buk CT och MRI.