Модель ШІ прогнозує видалення кісткової тканини при імплантації кохлеарного імплантату
Операція з кохлеарної імплантації допомагає людям із тяжкою втратою слуху, поміщаючи електронний пристрій усередину внутрішнього вуха. Щоб дістатися внутрішнього вуха, хірурги повинні спочатку видалити частину кістки за вухом під час процедури, яка називається мастоїдектомією. Форма цієї хірургічно створеної порожнини варіюється від пацієнта до пацієнта і немає чітких зовнішніх кордонів, що ускладнює її прогнозування з допомогою традиційних інструментів аналізу зображень. Точніше прогнозування цієї форми до операції могло б сприяти розвитку навігаційних систем, роботизованих інструментів та покращення візуалізації для хірургів, а також покращенню результатів лікування пацієнтів.
Вчені роками намагалися створити комп'ютерні інструменти, здатні надійно передбачати форму кісткового відростка після мастоїдектомії. Тепер, як повідомляється в журналі Journal of Medical Imaging (JMI), група дослідників з Університету Святої Марії, Університету Трініті, Університету Вандербільта і Центру передового штучного інтелекту розробила метод штучного інтелекту, який передбачає, скільки кісткової тканини буде видалено на ключовому етапі. Їхній підхід може зробити планування операції більш безпечним та ефективним, особливо в умовах, коли фахівці не можуть вручну розмічати великі набори медичних зображень.
Дослідницька група розробила двоетапний метод штучного інтелекту, який навчається на медичних зображеннях навіть у випадках, коли чисті дані, розмічені вручну, недоступні:
- Система порівнює КТ-знімки, зроблені до операції, зі знімками, зробленими після операції, та самостійно визначає, яка кістка була видалена. Незважаючи на те, що післяопераційні зображення містять шуми, ШІ використовує математичний метод порівняння, який фокусується на загальній структурі, а не на дрібних деталях. Це допомагає йому вивчити схему видалення кістки без будь-яких вказівок з боку експертів.
- Передбачення першої моделі використовуються як «слабкі позначки» для другої моделі. Ця друга модель використовує спеціальну 3D-функцію втрат, засновану на розподілі Стьюдента, що допомагає їй обробляти неповні чи неточні дані. Цей крок підвищує точність і робить остаточне передбачення більш надійним.
Разом ці два кроки утворюють новий спосіб навчання систем медичної візуалізації, який працює навіть у тих випадках, коли отримати ідеальні навчальні дані неможливо.
Дослідники протестували свій метод, використовуючи 751 пару КТ-знімків до та після операції. Порівняно з 32 прикладами, розміченими вручну хірургами, система штучного інтелекту досягла середнього значення коефіцієнта Дайса 0,72, що вище, ніж у кількох популярних моделей медичної візуалізації. Вищий коефіцієнт Дайса означає, що передбачена форма точно відповідає реальній формі, що спостерігається після операції.
Команда також продемонструвала можливість створення тривимірної моделі прогнозованої поверхні кістки після операції. У майбутньому це може допомогти хірургам під час операції або навчання студентів-медиків.
Це дослідження важливо, оскільки воно демонструє новий спосіб створення систем штучного інтелекту для медичної візуалізації в тих випадках, коли докладні мітки мізерні або їх надто складно отримати. Багато частин людського тіла мають складну форму, яку важко обвести вручну, і цей метод допоможе лікарям легше їх аналізувати.
Для пацієнтів ця технологія в кінцевому підсумку може зробити операції з кохлеарної імплантації безпечнішими, надаючи хірургам більш чітке уявлення про те, на що чекати. Вона також може підтримувати роботизовані інструменти або передові системи навігації в операційній.
Хоча результати багатообіцяючі, дослідники зазначають, що для застосування інструменту у повсякденній клінічній практиці необхідні додаткові випробування у різних лікарнях. Вони також сподіваються додати більш реалістичну текстуру до 3D моделей, щоб полегшити їх використання хірургами під час реальних операцій.
Джерело: SPIE — Міжнародне товариство оптики та фотоніки