Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs conçoivent le système neuf qui active l'analyse rapide des procédures laparoscopic

La laparoscopie est une technique chirurgicale dans laquelle un appareil-photo fibreoptique est inséré dans la cavité abdominale d'un patient pour fournir une alimentation visuelle qui guide le chirurgien par d'une façon minimum une chirurgie invasive.

Les cabinets de consultation Laparoscopic peuvent prendre les heures, et le vidéo produit par l'appareil-photo -- le laparoscope -- est souvent enregistré. Ces enregistrements contiennent une quantité d'information qui pourrait être utile pour former les deux fournisseurs et systèmes informatiques médicaux qui faciliteraient avec la chirurgie, mais parce que l'observation de eux est si longue, ils reposent en grande partie le ralenti.

Les chercheurs chez le MIT et le Massachusetts General Hospital espèrent changer cela, avec un système neuf qui peut efficacement rechercher par des centaines d'heures de vidéo les événements et les caractéristiques visuelles qui correspondent à quelques exemples de formation.

Dans le travail ils se sont présentés à la Conférence Internationale sur la robotique et l'automatisation ce mois, les chercheurs a formé leur système pour identifier différentes étapes d'un fonctionnement, telles que la biopsie, le démontage de tissu, agrafant, et nettoyage de blessure.

Mais le système pourrait être appliqué à n'importe quelle question analytique qui les médecins considèrent valables. Il pourrait, par exemple, être formé pour prévoir quand les instruments médicaux particuliers -- comme les cartouches complémentaires d'agrafe -- devrait être préparé pour le chirurgien emploient, ou elle pourrait retentir une alerte si un chirurgien rencontre l'anatomie rare et anormale.

Des « chirurgiens sont captivés par toutes les caractéristiques que notre travail active, » dit Daniela Rus, un professeur d'Andrew et d'Erna Viterbi de génie électrique et auteur de l'informatique et supérieur sur le papier. « Ils sont captivés pour faire segmenter les bandes chirurgicales automatiquement et être répertoriés, parce que maintenant ces bandes peuvent être utilisées pour la formation. Si nous voulons nous renseigner sur la phase deux d'une chirurgie, nous savons exact où aller rechercher ce segment. Nous ne devons pas observer chaque minute avant cela. L'autre chose qui excite extraordinairement aux chirurgiens est celle à l'avenir, nous devrait pouvoir surveiller l'étape progressive du fonctionnement en temps réel. »

Rus de adhésion sur le papier sont le premier Mikhail Volkov l'auteur, qui était un postdoc dans le groupe de Rus quand le travail a été effectué et est maintenant un analyste quantitatif aux valeurs mobilières de SMBC Nikko à Tokyo ; Type Rosman, un autre postdoc dans le groupe de Rus ; et Daniel Hashimoto et Ozanan Meireles de Massachusetts General Hospital (MGH).

Bâtis représentatifs

Les constructions neuves de papier sur des anciens travaux du groupe de Rus sur des « coresets, » ou des sous-ensembles des ensembles de données beaucoup plus grands qui préservent leurs caractéristiques statistiques saillantes. Dans le passé, le groupe de Rus a employé des coresets pour effectuer des tâches telles que déduire les sujets des articles de Wikipedia ou enregistrer les routes traversées en les véhicules GPS-branchés.

Dans ce cas, le coreset se compose d'un couple cent des segments environ courts du vidéo -- juste quelques bâtis chacun. Chaque segment est sélecté parce qu'il offre une bonne approximation des douzaines ou même des centaines de bâtis l'entourant. Le coreset vanne ainsi un fichier vidéo vers le bas seulement environ à un dixième de sa taille initiale, tout en préservant toujours la majeure partie de son information indispensable.

Pour cette recherche, les chirurgiens de MGH ont recensé sept étapes distinctes d'une procédure pour retirer une partie de l'estomac, et les chercheurs ont étiqueté les débuts de chaque étape dans des huit vidéos laparoscopic. Ces vidéos ont été utilisés pour former un système d'apprentissage automatique, qui consécutivement a été appliqué aux coresets de quatre vidéos laparoscopic qu'elle n'avait pas précédemment vus. Pour chaque extrait visuel court dans les coresets, le système pouvait l'affecter à l'étape correcte de la chirurgie avec 93 pour cent d'exactitude.

« Nous avons voulu voir comment ce système fonctionne pour les jeux relativement petits de formation, » Rosman explique. « Si vous êtes dans un hôpital spécifique, et vous êtes intéressé par un type spécifique de chirurgie, ou même plus important, une variante spécifique d'une chirurgie -- tous les cabinets de consultation où ceci ou celui s'est produit -- vous ne pouvez pas avoir beaucoup d'exemples. »

Critères de sélection

La procédure générale que les chercheurs utilisés pour extraire les coresets a un ans ils ont précédemment décrit, mais le choix de coreset s'articule toujours sur les propriétés spécifiques des caractéristiques qu'il est appliqué à. Les caractéristiques comprises dans le coreset -- ici, bâtis de vidéo -- doit rapprocher les caractéristiques étant omises, et le degré d'approximation est mesuré différemment pour différents types de données.

L'apprentissage automatique peut être considéré comme problème d'approximation, cependant. Dans ce cas, le système a dû apprendre à recenser des similitudes entre les bâtis du vidéo en alimentations laparoscopic indépendantes qui ont indiqué les mêmes phases d'une opération. Le métrique de la similitude cela il a obtenu également à servi à évaluer la similitude des images vidéo qui ont été comprises dans le coreset, à ceux qui ont été manquées.