Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os pesquisadores projectam o sistema novo que permite a análise rápida de procedimentos laparoscopic

A laparoscopia é uma técnica cirúrgica em que uma câmera da fibra óptica é introduzida na cavidade abdominal de um paciente para fornecer uma alimentação video que guie o cirurgião com um procedimento mìnima invasor.

As cirurgias Laparoscopic podem tomar horas, e o vídeo gerado pela câmera -- o laparoscope -- é gravado frequentemente. Aquelas gravações contêm uma riqueza de informação que poderia ser útil para treinar os fornecedores médicos e os sistemas informáticos que ajudariam com cirurgia, mas porque os rever é tão demorada, sentam na maior parte a quietude.

Os pesquisadores no Hospital Geral do MIT e do Massachusetts esperam mudar aquele, com um sistema novo que possa eficientemente procurarar com as centenas de horas do vídeo pelos eventos e pelas características visuais que correspondem a alguns exemplos do treinamento.

No trabalho apresentaram na conferência internacional sobre a robótica e a automatização este mês, os pesquisadores treinou seu sistema para reconhecer fases diferentes de uma operação, tais como a biópsia, a remoção do tecido, grampear, e a limpeza esbaforido.

Mas o sistema poderia ser aplicado a toda a pergunta analítica que os doutores julgarem de valor. Poderia, por exemplo, ser treinado para prever quando instrumentos médicos particulares -- como cartuchos adicionais do grampo -- deve ser preparado para o cirurgião usam-se, ou poderia soar um alerta se um cirurgião encontra a anatomia rara, aberrante.

Os “cirurgiões são excitados por todas as características que nosso trabalho permite,” dizem Daniela Rus, um Andrew e um professor de Erna Viterbi da engenharia elétrica e a informática e autor superior no papel. “São excitados para ter as fitas cirúrgicas segmentadas e posicionadas automaticamente, porque agora aquelas fitas podem ser usadas treinando. Se nós queremos aprender sobre a fase dois de uma cirurgia, nós sabemos exactamente aonde ir procurar esse segmento. Nós não temos que olhar cada acta antes isso. A outra coisa que está excitando extraordinària aos cirurgiões é aquela no futuro, nós devemos poder monitorar a progressão da operação no tempo real.”

Rus de adesão no papel é primeiro Mikhail Volkov autor, que era um postdoc no grupo de Rus quando o trabalho foi feito e é agora um analista quantitativo em seguranças de SMBC Nikko no Tóquio; Indivíduo Rosman, um outro postdoc no grupo de Rus; e Daniel Hashimoto e Ozanan Meireles do Hospital Geral de Massachusetts (MGH).

Quadros representativos

As construções novas do papel em trabalhos anteriores do grupo de Rus em “coresets,” ou em subconjuntos das séries de dados muito maiores que preservam suas características estatísticas salientes. No passado, o grupo de Rus usou coresets para executar tarefas tais como a dedução dos assuntos de artigos de Wikipedia ou a gravação das rotas atravessadas por carros GPS-conectados.

Neste caso, o coreset consiste em um par cem ou em segmentos tão curtos do vídeo -- apenas alguns quadros cada um. Cada segmento é seleccionado porque oferece uma boa aproximação das dúzias ou mesmo das centenas de quadros que cercam a. O coreset joeira assim um ficheiro de vídeo para baixo a somente aproximadamente um décimo do seu tamanho inicial, ao ainda preservar a maioria de sua informação vital.

Para esta pesquisa, os cirurgiões de MGH identificaram sete fases distintas em um procedimento para remover a peça do estômago, e os pesquisadores etiquetaram os começos de cada fase em oito vídeos laparoscopic. Aqueles vídeos foram usados para treinar um sistema deaprendizagem, que por sua vez fosse aplicado aos coresets de quatro vídeos que laparoscopic não tinha visto previamente. Para cada pequena notícia video curto nos coresets, o sistema podia atribui-la à fase correcta da cirurgia com 93 por cento de precisão.

“Nós quisemos ver como este sistema trabalha para grupos relativamente pequenos do treinamento,” Rosman explicamos. “Se você está em um hospital específico, e você é interessado em um tipo específico da cirurgia, ou mesmo mais importante, uma variação específica de uma cirurgia -- todas as cirurgias onde isto ou aquele aconteceram -- você não pode ter muitos exemplos.”

Critérios de selecção

O procedimento geral que os pesquisadores usados para extrair os coresets são um têm descrito previamente, mas a selecção do coreset articula-se sempre em propriedades específicas dos dados que está sendo aplicada a. Os dados incluídos no coreset -- aqui, quadros do vídeo -- deve aproximar os dados que estão sendo saidos para fora, e o grau de aproximação é medido diferentemente para tipos diferentes de dados.

A aprendizagem de máquina pode ser pensada como de um problema da aproximação, contudo. Neste caso, o sistema teve que aprender identificar similaridades entre quadros do vídeo nas alimentações laparoscopic separadas que denotaram as mesmas fases de um procedimento cirúrgico. O métrico da similaridade isso chegou igualmente no servido para avaliar a similaridade dos quadros video que foram incluídos no coreset, àquelas que foram omitidas.