Blog

Jun 11, 2024

Généralisabilité limitée d'un réseau neuronal profond unique pour la segmentation des instruments chirurgicaux dans différents environnements chirurgicaux

Scientific Reports volume 12, Numéro d'article : 12575 (2022) Citer cet article 1042 Accès 1 Citations 2 Détails d'Altmetric Metrics Clarifier la généralisabilité des méthodes basées sur l'apprentissage profond

Rapports scientifiques volume 12, Numéro d'article : 12575 (2022) Citer cet article

1042 Accès

1 Citation

2 Altmétrique

Détails des métriques

Il est important de clarifier la généralisabilité des réseaux de segmentation d’instruments chirurgicaux basés sur l’apprentissage profond dans divers environnements chirurgicaux pour reconnaître les défis du surajustement dans le développement de dispositifs chirurgicaux. Cette étude a évalué de manière exhaustive la généralisabilité des réseaux neuronaux profonds pour la segmentation des instruments chirurgicaux à l'aide de 5 238 images extraites au hasard de 128 vidéos peropératoires. L'ensemble de données vidéo contenait 112 cas de résection colorectale laparoscopique, 5 gastrectomies distales laparoscopiques, 5 cholécystectomies laparoscopiques et 6 cas d'hépatectomie partielle laparoscopique. Une segmentation des instruments chirurgicaux basée sur l'apprentissage profond a été réalisée pour des ensembles de tests avec (1) les mêmes conditions que l'ensemble de formation ; (2) le même instrument chirurgical cible de reconnaissance et le même type de chirurgie mais des systèmes d'enregistrement laparoscopique différents ; (3) le même système d'enregistrement laparoscopique et le même type de chirurgie, mais une pince chirurgicale laparoscopique à cible de reconnaissance légèrement différente ; (4) le même système d'enregistrement laparoscopique et le même instrument chirurgical de cible de reconnaissance, mais des types de chirurgie différents. La précision moyenne moyenne et l'intersection moyenne sur l'union pour les ensembles de tests 1, 2, 3 et 4 étaient respectivement de 0,941 et 0,887, 0,866 et 0,671, 0,772 et 0,676 et 0,588 et 0,395. Par conséquent, la précision de la reconnaissance a diminué même dans des conditions légèrement différentes. Les résultats de cette étude révèlent la généralisabilité limitée des réseaux de neurones profonds dans le domaine de l’intelligence artificielle chirurgicale et mettent en garde contre les ensembles de données et modèles biaisés basés sur l’apprentissage profond.

Numéro d'enregistrement de l'essai : 2020-315, date d'enregistrement : 5 octobre 2020.

La chirurgie mini-invasive (MIS), y compris la chirurgie robotisée, est devenue de plus en plus courante1. Le MIS qui utilise des oscilloscopes pour observer l'anatomie interne est préféré pour de nombreuses interventions chirurgicales car un champ de vision chirurgical agrandi peut être obtenu grâce à l'oscilloscope. De plus, les procédures chirurgicales peuvent être stockées sous forme de données vidéo ; par conséquent, cette approche facilite non seulement la formation et l’éducation chirurgicales, mais également la science des données chirurgicales2, comme la vision par ordinateur utilisant l’apprentissage profond.

La vision par ordinateur est un domaine de recherche qui décrit la compréhension automatique des images et des vidéos, et des progrès significatifs ont permis aux machines d'atteindre des capacités de niveau humain dans des domaines tels que la reconnaissance d'objets et de scènes3. Les principaux travaux liés aux soins de santé en vision par ordinateur sont le diagnostic assisté par ordinateur, tel que la détection des polypes du côlon4,5 et la détection du cancer de la peau6,7 ; cependant, l’application de la chirurgie assistée par ordinateur s’est également accélérée8,9. En particulier, la segmentation des instruments chirurgicaux et le suivi de leurs pointes sont des technologies sous-jacentes importantes car elles peuvent être appliquées à l’évaluation des compétences chirurgicales10,11 et elles sont essentielles à la réalisation d’une chirurgie automatique et autonome12.

La segmentation est une tâche de vision par ordinateur dans laquelle des images entières sont divisées en groupes de pixels pouvant être étiquetés et classés. En particulier, la segmentation sémantique tente de comprendre sémantiquement le rôle de chaque pixel dans les images13. La segmentation d'instance, qui étend la segmentation sémantique, segmente différentes instances de classes, c'est-à-dire en étiquetant cinq individus avec cinq couleurs différentes ; par conséquent, il peut identifier les limites, les différences et les relations entre les objets pour plusieurs objets qui se chevauchent14.

Ces approches de vision par ordinateur ont une grande applicabilité à la reconnaissance des instruments chirurgicaux dans les vidéos peropératoires pour les MIS et, ces dernières années, de nombreux efforts ont été déployés pour développer la segmentation des instruments chirurgicaux15,16. Parmi eux, la Medical Image Computing and Computer Assisted Interventions Society a organisé des défis internationaux basés sur la précision de la reconnaissance pour la segmentation des instruments chirurgicaux et le Endoscopique Vision Challenge15,17,18,19 ; de nouveaux réseaux de neurones profonds ont battu le record de précision de segmentation de pointe. Cependant, ces efforts ont été réalisés sur des ensembles de données vidéo correspondant au même type de chirurgie utilisant un type fixe d’instrument chirurgical et le même type de système d’enregistrement laparoscopique, contrairement aux contextes chirurgicaux réels. En pratique, il existe de nombreuses conditions différentes dans les situations chirurgicales réelles. Par exemple, différents types de systèmes d'enregistrement laparoscopique et d'instruments chirurgicaux laparoscopiques sont utilisés dans différents hôpitaux ; De plus, les dispositifs chirurgicaux sont modernisés et leurs formes changent légèrement toutes les quelques années. Lorsque l'on considère les propriétés générales d'un réseau de reconnaissance d'instruments chirurgicaux unique, il est également important de vérifier l'applicabilité du réseau à d'autres types de chirurgie, c'est-à-dire de clarifier la différence de précision de reconnaissance lorsqu'un réseau de reconnaissance qui a été développé sur la base des données d'un certain type de chirurgie, elle est appliquée à un autre type de chirurgie. Bien que de telles conditions liées à l’exactitude de la reconnaissance puissent clarifier l’importance de la construction d’un ensemble de données vidéo peropératoires diversifiées, aucune étude complète sur la généralisabilité d’un réseau unique de reconnaissance d’instruments chirurgicaux n’a été rapportée. Par conséquent, les résultats de cette étude sont importants car ils fournissent des informations précieuses pour le développement et la mise en œuvre futurs de la chirurgie.