Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los investigadores diseñan el nuevo sistema que habilita el análisis rápido de procedimientos laparoscopic

La laparoscopia es una técnica quirúrgica en la cual una cámara fibroóptica se inserta en la cavidad abdominal de un paciente para ofrecer una alimentación video que conduzca al cirujano con un procedimiento como mínimo invasor.

Las cirugías Laparoscopic pueden tomar horas, y el vídeo generado por la cámara -- el laparoscope -- se registra a menudo. Esas grabaciones contienen una gran cantidad de información que podría ser útil para entrenar a los proveedores médicos y a los sistemas informáticos que ayudarían con cirugía, pero porque el repaso de ellos es tan que toma tiempo, sientan sobre todo marcha lenta.

Los investigadores en el Hospital General del MIT y de Massachusetts esperan cambiar eso, con un nuevo sistema que pueda explorar eficientemente con centenares de horas de vídeo para las acciones y las características visuales que corresponden a algunos ejemplos del entrenamiento.

En trabajo presentaron en la Conferencia Internacional sobre la robótica y la automatización este mes, los investigadores entrenó a su sistema para reconocer diversos escenarios de una operación, tales como biopsia, retiro del tejido, grapa, y limpiamiento de la herida.

Pero el sistema se podría aplicar a cualquier pregunta analítica que los doctores juzguen de mérito. Podría, por ejemplo, ser entrenado para predecir cuando los instrumentos médicos determinados -- por ejemplo cartuchos adicionales de la grapa -- debe ser preparado para el cirujano utilizaron, o podría sonar una alarma si un cirujano encuentra la anatomía rara, aberrante.

Todas las características emocionan a los “cirujanos que nuestro trabajo habilita,” dicen a Daniela Rus, un Andrew y un profesor de Erna Viterbi de la ingeniería eléctrica y autor de informática y mayor en el papel. “Los emocionan para hacer las cintas quirúrgicas dividir en segmentos y ser dividido automáticamente, porque ahora esas cintas se pueden utilizar para entrenar. Si queremos aprender sobre la fase dos de una cirugía, sabemos exactamente adónde ir a buscar ese segmento. No tenemos que mirar cada minuto antes eso. La otra cosa que extraordinario está excitando a los cirujanos es ésa en el futuro, debemos poder vigilar la progresión de la operación en tiempo real.”

Rus que ensambla en el papel es primer Mikhail Volkov autor, que era un postdoc en el grupo de Rus cuando el trabajo fue hecho y ahora es un analista cuantitativo en las seguridades de SMBC Nikko en Tokio; Tirante Rosman, otro postdoc en el grupo de Rus; y Daniel Hashimoto y Ozanan Meireles del Hospital General de Massachusetts (MGH).

Marcos representativos

Los nuevos emplear de papel trabajo previo del grupo de Rus en “coresets,” o subconjuntos de conjuntos de datos mucho más grandes que preservan sus características estadísticas salientes. En el pasado, el grupo de Rus ha utilizado coresets para realizar tareas tales como deducción de los temas de los artículos de Wikipedia o registración de las rutas atravesadas por los vehículos GPS-conectados.

En este caso, el coreset consiste en un par de fuerzas ciento o segmentos tan cortos del vídeo -- apenas algunos marcos cada uno. Se selecciona cada segmento porque ofrece una buena aproximación de las docenas o aún de los centenares de bastidores que la rodean. El coreset avienta así un archivo de vídeo hacia abajo a solamente cerca de un décimo de su talla inicial, mientras que todavía preserva la mayor parte de su información vital.

Para esta investigación, los cirujanos de MGH determinaron siete escenarios distintos en un procedimiento para quitar la pieza del estómago, y los investigadores marcaron los principios con etiqueta de cada escenario en ocho vídeos laparoscopic. Esos vídeos fueron utilizados para entrenar a un sistema de máquina-aprendizaje, que a su vez fue aplicado a los coresets de cuatro vídeos laparoscopic que no había visto previamente. Para cada recorte video corto en los coresets, el sistema podía destinarlo al escenario correcto de la cirugía con el 93 por ciento de exactitud.

“Quisimos ver cómo este sistema trabaja para los equipos relativamente pequeños del entrenamiento,” a Rosman explicamos. “Si usted está en un hospital específico, y usted es interesado en un tipo específico de la cirugía, o aún más importante, una variante específica de una cirugía -- todas las cirugías donde suceso esto o ése -- usted no puede tener muchos ejemplos.”

Criterios de selección

El procedimiento general que los investigadores usados para extraer los coresets son uno han descrito previamente, pero la selección del coreset se articula siempre en las propiedades específicas de los datos que se está aplicando a. Los datos incluidos en el coreset -- aquí, marcos del vídeo -- debe aproximar los datos que son idos fuera, y el grado de aproximación se mide diferentemente para diversos tipos de datos.

El aprendizaje de máquina se puede pensar en como problema de la aproximación, sin embargo. En este caso, el sistema tuvo que aprender determinar semejanzas entre los marcos del vídeo en las alimentaciones laparoscopic separadas que denotaron las mismas fases de un procedimiento quirúrgico. El métrico de la semejanza eso llegó también servido fijar la semejanza de los bastidores video que fueron incluidos en el coreset, a las que fueron omitidas.