多中心泛化中的挑战：Roux-en-Y 胃旁路手术中的阶段与步骤识别
计算机视觉与模式识别
2023-12-19 v1
摘要
大多数利用人工智能（AI）进行手术活动识别的研究主要集中在从小型单中心手术视频数据集中识别单一类型的活动。这些模型能否泛化到其他中心仍属推测。在本研究中，我们引入了一个大型多中心多活动数据集，包含在两个医疗中心——斯特拉斯堡大学医院（StrasBypass70）和伯尔尼大学医院 Inselspital（BernBypass70）——实施的 140 个腹腔镜 Roux-en-Y 胃旁路（LRYGB）手术视频（MultiBypass140）。该数据集已对阶段和步骤进行了完整标注。此外，我们在 7 项实验研究中评估了泛化能力并对不同的深度学习模型进行了基准测试：1) 在 BernBypass70 上训练和评估；2) 在 StrasBypass70 上训练和评估；3) 在 MultiBypass140 上训练和评估；4) 在 BernBypass70 上训练，在 StrasBypass70 上评估；5) 在 StrasBypass70 上训练，在 BernBypass70 上评估；在 MultiBypass140 上训练，6) 在 BernBypass70 上评估，7) 在 StrasBypass70 上评估。模型的性能显著受训练数据的影响。实验 4) 和 5) 取得了最差的结果，证实了在单中心数据上训练的模型泛化能力有限。使用多中心训练数据（实验 6) 和 7)）提升了模型的泛化能力，使其超越了独立的单中心训练与验证水平（实验 1) 和 2)）。MultiBypass140 显示了不同中心之间 LRYGB 手术技术和工作流程的显著差异。因此，泛化实验表明模型性能存在显著差异。这些结果突显了多中心数据集对于 AI 模型泛化的重要性，以应对手术技术和工作流程中的差异。
引用
@article{arxiv.2312.11250,
title = {Challenges in Multi-centric Generalization: Phase and Step Recognition in Roux-en-Y Gastric Bypass Surgery},
author = {Joel L. Lavanchy and Sanat Ramesh and Diego Dall'Alba and Cristians Gonzalez and Paolo Fiorini and Beat Muller-Stich and Philipp C. Nett and Jacques Marescaux and Didier Mutter and Nicolas Padoy},
journal= {arXiv preprint arXiv:2312.11250},
year = {2023}
}