Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

I ricercatori progettano il nuovo sistema che permette all'analisi veloce delle procedure laparoscopic

La laparoscopia è una tecnica chirurgica in cui una macchina fotografica a fibra ottica è inserita nell'intercapedine addominale di un paziente per fornire una video alimentazione che guida il chirurgo con una procedura come minimo dilagante.

Gli ambulatori Laparoscopic possono catturare le ore ed il video generato dalla macchina fotografica -- il laparoscope -- è registrato spesso. Quelle registrazioni contengono una ricchezza di informazioni che potrebbe essere utile per la formazione sia i fornitori medici che dei sistemi informatici che aiuterebbero con chirurgia, ma perché esaminarli sono così che richiede tempo, principalmente si siedono in ozio.

I ricercatori al policlinico di Massachusetts e del MIT sperano di cambiare quello, con un nuovo sistema che può cercare efficientemente con le centinaia di ore del video gli eventi e le funzionalità visive che corrispondono ad alcuni esempi di addestramento.

Nel lavoro hanno presentato alla conferenza internazionale su robotica e l'automazione questo mese, i ricercatori ha preparato il loro sistema per riconoscere le fasi differenti di un'operazione, quali la biopsia, la rimozione del tessuto, cucendo con punti metallici e pulizia della ferita.

Ma il sistema potrebbe applicarsi a tutta la domanda analitica che medici reputano proficui. Potrebbe, per esempio, essere preparato per predire quando strumenti medici particolari -- quali le cartucce supplementari della graffetta -- dovrebbe essere preparato per il chirurgo usano, o potrebbe sondare un avviso se un chirurgo incontra l'anatomia rara e aberrante.

“I chirurghi sono entusiasmati da tutte le funzionalità a che il nostro lavoro permette,„ dice Daniela Rus, un Andrew e un professore di Erna Viterbi di ingegneria elettrica e l'informatica ed autore senior sul documento. “Sono entusiasmati per fare segmentare i nastri chirurgici ed indicizzato automaticamente, perché ora quei nastri possono essere utilizzati per prepararsi. Se vogliamo imparare circa la fase due di ambulatorio, conosciamo esattamente dove andare cercare quel segmento. Non dobbiamo guardare prima ogni minuto quello. L'altra cosa che straordinario sta eccitando ai chirurghi è quella in futuro, dovremmo potere riflettere la progressione dell'operazione in tempo reale.„

Rus aderente sul documento è primo Mikhail Volkov autore, che era un postdoc nel gruppo di Rus quando il lavoro è stato fatto ed è ora un analista quantitativo alle obbligazioni di SMBC Nikko a Tokyo; Tipo Rosman, un altro postdoc nel gruppo di Rus; e Daniel Hashimoto e Ozanan Meireles del policlinico di Massachusetts (MGH).

Fotogrammi rappresentativi

Le nuove configurazioni del documento su lavoro precedente dal gruppo di Rus “sui coresets,„ o sui sottoinsiemi di insiemi di dati molto più grandi che conservano le loro caratteristiche statistiche salienti. Nel passato, il gruppo di Rus ha usato i coresets per eseguire le mansioni come la deduzione degli argomenti degli articoli di Wikipedia o registrazione degli itinerari attraversati in macchina GPS-connessi.

In questo caso, il coreset consiste di una coppia cento di segmenti circa brevi del video -- appena alcuni fotogrammi ciascuno. Ogni segmento è selezionato perché offre una buona approssimazione delle dozzine o persino delle centinaia di telai che la circondano. Il coreset spula così un file video giù a soltanto circa un decimo della sua dimensione iniziale, mentre ancora conserva la maggior parte delle sue informazioni vitali.

Per questa ricerca, i chirurghi di MGH hanno identificato sette fasi distinte in una procedura per l'eliminazione della parte dello stomaco ed i ricercatori hanno etichettato gli inizi di ogni fase in otto video laparoscopic. Quei video sono stati utilizzati per preparare un sistema d'insegnamento, che a sua volta si è applicato ai coresets di quattro video che laparoscopic precedentemente non aveva veduto. Per ogni breve video frammento nei coresets, il sistema poteva definirlo alla fase corretta di chirurgia con 93 per cento di accuratezza.

“Abbiamo voluto vedere come questo sistema funziona per gli insiemi relativamente piccoli di addestramento,„ Rosman spieghiamo. “Se siete in un ospedale specifico e siete interessato in un tipo specifico della chirurgia, o persino più importante, una variante specifica di un ambulatorio -- tutti gli ambulatori dove questo o quello è accaduto -- non potete avere molti esempi.„

Criteri di selezione

La procedura generale che i ricercatori usati per estrarre i coresets è uno precedentemente hanno descritto, ma la selezione del coreset munisce di cardini sempre i beni specifici dei dati che sta applicandosi a. I dati inclusi nel coreset -- qui, fotogrammi del video -- deve approssimarsi ai dati che sono omessi ed il grado di approssimazione è misurato diversamente per i tipi differenti di dati.

L'apprendimento automatico può essere pensato come a problema dell'approssimazione, tuttavia. In questo caso, il sistema ha dovuto imparare identificare le similarità fra i fotogrammi del video in alimentazioni laparoscopic separate che hanno denotato le stesse fasi di procedura chirurgica. Il metrico di similarità quello è arrivato anche al servito a a valutare la similarità di video telai che sono stati inclusi nel coreset, a quelle che sono stati omessi.