مرکز تحقیقات اورولوژی | Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy: a validation and feasibility study

مرکز تحقیقات اورولوژی | Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy: a validation and feasibility study
سایت دانشگاه | 28 آبان 1405
لوگو

مرکز تحقیقات ارولوژی

دانشگاه علوم پزشکی تهران

Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy: a validation and feasibility study

Screenshot (254)

هر روز یک مقاله، شنبه ۳۱ مرداد ۱۴۰۵

عنوان: Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy: a validation and feasibility study

خلاصه: اگرچه خطر بروز عوارض حین عمل در نفرکتومی لاپاروسکوپیک اهداکننده در حال حاضر نسبتاً پایین است، همچنان تلاش‌ها برای کاهش خطاهای فنی در این جراحی حساس و پرخطر ادامه دارد. هدف این مطالعه، معرفی آزمایشی یک سامانه اختصاصی بینایی ماشین مبتنی بر یادگیری عمیق می باشد که برای تشخیص خودکار ساختارهای آناتومیک اصلی و پیشگیری از آسیب‌های حین عمل طراحی و ثبت شده است. این فناوری، به‌ویژه در طول دوره یادگیری جراح، می‌تواند اهمیت زیادی داشته باشد.

برای آموزش مدل، تعداد ۶۸۲۸ تصویر از ۱۶ ویدئوی جراحی انجام‌شده در بیمارستان شماره ۱ انتخاب شد. تمامی این تصاویر به‌صورت دستی و در سطح پیکسل حاشیه‌نویسی شدند. همچنین، ۱۷۵۷ تصویر حاشیه‌نویسی‌شده از ۴ ویدئوی جراحی مستقل برای اعتبارسنجی مورد استفاده قرار گرفت. بدین ترتیب، برای هر یک از برچسب‌های موردنظر شامل طحال، کلیه چپ، شریان کلیوی، ورید کلیوی و حالب مجموعه اعتبارسنجی متعادلی با نسبت تقریبی ۲۰ درصد فراهم شد.

در ادامه برای آموزش مدل، شبکه یادگیری عمیق YOLO v11x، به کار گرفته شد. این شبکه به دلیل سرعت و دقت بالا در تشخیص بلادرنگ شناخته می‌شود. مدل مورد استفاده از یک تابع زیان ترکیبی بهره می‌برد که چندین مؤلفه را به‌طور هم‌زمان در نظر می‌گیرد: دقت پیش‌بینی در سطح پیکسل برای وظایف قطعه‌بندی، با استفاده از تابع زیان آنتروپی متقابل دودویی؛ میزان تطابق مختصات جعبه‌های محصورکننده پیش‌بینی‌شده با مقادیر واقعی، با استفاده از تابع زیان جعبه محصورکننده؛ و تمرکز بیشتر بر نمونه‌ها و برچسب‌هایی که تشخیص آن‌ها دشوارتر است، با استفاده از تابع زیان کانونی توزیعی.

ارزیابی کمی مجموعه داده‌های اعتبارسنجی با استفاده از روش hold-out validation، نتایج امیدوارکننده‌ای از نظر عملکرد مدل نشان داد. همچنین، مدل در مرحله ارزیابی آینده‌نگر بر روی ویدئوی جراحی یک جراح دیگر از مؤسسه‌ای متفاوت و نیز به‌صورت بلادرنگ در بیمارستان دیگری آزمایش شد.

این مطالعه آزمایشی، توانایی یک طراحی نوآورانه مبتنی بر یادگیری ماشین را در شناسایی دقیق ساختارهای آناتومیک حیاتی طی نفرکتومی لاپاروسکوپیک اهداکننده نشان می‌دهد. این دستاورد می‌تواند نخستین گام مهم برای توسعه کاربردهای گسترده‌تر هوش مصنوعی در این حوزه باشد؛ از جمله راهنمایی حین عمل، آموزش جراحان، تحلیل پس از عمل و ارزیابی استانداردهای جراحی.

https://www.nature.com/articles/s41598-026-35999-0

 

کلمات کلیدی
مدیر سایت
تهیه کننده:

مدیر سایت

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *
متن مورد نظر خود را جستجو کنید
تنظیمات پس زمینه