نهج جديد مزدوج النمط للتعلم العميق لإزالة فلورة الكبد في الوقت الحقيقي في استئصال المثانة الموجهة بالأخضر بالإندوسيانين

ملخص

يقدم هذا البروتوكول نهج التعلم العميق ثنائي النمط لإزالة فلورة الكبد في الوقت الحقيقي أثناء استئصال المرارة المنظار الأخضر بالإندوسيانين (ICGLC).

الملخص

يحسن استئصال المثانة بالمنظار الأخضر بالإندوسيانين (ICGLC) الرؤية الصفراوية لكنه غالبا ما يعيق تلوث فلورة الكبد، مما يتداخل مع الهياكل التشريحية. تهدف هذه الدراسة إلى تطوير وتقييم إطار تعليمي عميق جديد ثنائي النمط لاكتشاف وإزالة التلوث الفلوري الكبدي تلقائيا في الوقت الفعلي أثناء إجراءات ICGLC. تم بناء مجموعة بيانات تضم 33,123 إطار جراحي مزدوج النمط من 48 مريضا خضعوا لعلاج ICGLC الاختياري. تم دمج صور الفلورة والضوء الأبيض وتوضيحها. تمت مقارنة عدة نماذج تعلم عميق، وتم اختيار شبكة اندماج متوسط تعتمد على DeepLabV3. تم تنفيذ استراتيجيات المعالجة اللاحقة المورفولوجية واستراتيجيات التدريب المرحلي لتعزيز دقة التقسيم وقابلية التعميم. حقق النموذج المقترح معامل نرد 0.838 واستدعاء 0.863 في مجموعة الاختبار النهائية. في التقييمات الذاتية، قيم 10 جراحين كبار الفيديوهات المعالجة بالذكاء الاصطناعي بشكل مستمر على أنها أوضح، مع تحسين ملحوظ في رؤية القناة الصفراوية وتقليل التعب البصري. أظهر النموذج أداء في الوقت الحقيقي بسرعة 0.018 ثانية لكل إطار. تقدم هذه الدراسة أول حل ذكاء اصطناعي في الوقت الحقيقي لإزالة التألق الكبدي في ICGLC. يعزز نموذج التعلم العميق ثنائي النمط وضوح الرؤية بشكل كبير، مما يوفر إمكانية تحسين سلامة الجراحة، وكفاءة العمليات، وفعالية التدريب. من الضروري إجراء دراسات مستقبلية مستقبلية لتقييم الأثر السريري على نتائج العمليات الجراحية.

المقدمة

الكوليلثياسيا هو اضطراب هضمي شائع، يظهر معدلات حدوث مرتفعة باستمرار عالميا عبر مجموعات سكانية مختلفة، ويؤثر على أكثر من 4٪ من سكان العالم 1,2,3,4. يعتبر استئصال المرارة بالمنظار (LC) على نطاق واسع 'المعيار الذهبي' لعلاج العقدة الصفراءية بسبب مزاياه مثل تقليل الصدمات أثناء العملية، والألم الخفيف بعد العملية، والنتائج التجميلية الإيجابية، والإقامة القصيرة في المستشفى ^5,6,7. في الولايات المتحدة وحدها، يقوم الجراحون العامون بإجراء ما بين 750,000 و1,000,000 عملية LC سنويا. ومع ذلك، فإن معدل مضاعفات القناة الصفراوية يتجاوز معدل الجراحة المفتوحة التقليدية⁸، حيث يكون حدوث مضاعفات خطيرة مثل إصابة القناة الصفراوية (BDI) أعلى بمرتين إلى ثلاث مرات^{من 9,10}. تشير الأبحاث إلى أن BDI أثناء إجراءات التنظير غالبا ما ينشأ من أخطاء تقنية في مرحلة التشريح التشريحي، مع انتشار الأخطاء التشريحية بشكل خاص (حتى 85٪)، وغالبا ما تتضمن أخطاء في تقدير القناة الصفراوية المشتركة (CBD) أو اختلافات في تشريح القناة الكبدية الخلفية اليمنى^11,12.

لتقليل انتشار المضاعفات الجراحية في الممارسة المعاصرة، تم تطوير مجموعة من الأساليب المتقدمة والتقنيات المتقدمة، بما في ذلك الرؤية الحرجة للسلامة (CVS)، والتصوير الصدوي أثناء العملية، وتقنية التألق بالأشعة تحت الحمراء القريبة (NIRF)^5،8. يعتبر CVS بشكل متزايد طريقة معيارية لتحديد هياكل المرارة ^5,13,14، وتتطلب إزالة النسيج الضام في المثلث الكيسي الكبدي وتشريح الثلث السفلي من المرارة من الصفيحة الكيسية، لتحرير رؤية واضحة للقناة الكيسية والشريان الكيسي، وبالتالي منع الإصابات الوعائية والصفراوية أثناء استئصال المرارة بالمنظار^{11. 15}.

كان تصوير الكولانجيوجرام NIRF القائم على الإندوسيانين الأخضر (ICG) في الوقت الحقيقي أثناء العملية حلا مثبتا آخر، تم الإبلاغ عنه سريريا لأول مرة في عام 2008. يتم استقلاب ICG حصريا بواسطة الكبد، ويرتبط ببروتينات البلازما، ويصدر ذروة طول موجة ضوء يبلغ حوالي 830 نانومتر عند إشعاعه بضوء الأشعة تحت الحمراء القريب¹⁷. تسمح هذه الخاصية برؤية أورام الكبد والجهاز الصفراوي، مما يظهر تطبيقات واعدة في تعزيز السلامة الجراحية وتقليل أوقات العمليات^{18، 19، 20}. أشارت الدراسات التي قارنت بين الاستخدام المشترك ل CVS وNIRF مع CVS وحده إلى فوائد للمرضى المصابين بالسمنة والحالات التي تعاني من التهاب شديد، مما أدى ليس فقط إلى تقصير مدة الجراحة بل تقليل معدل حدوث BDI^21,22. ومع ذلك، تواجه تطبيقاته السريرية عدة قيود، منها استخدام أجهزة تصوير مختلفة²³، وتأخر حقن ICG أو امتصاص أنسجة الكبد بشكل مفرط مما يؤدي إلى ارتفاع شدة فلورية الكبد وتلوث مجال الرؤية، مما يحجب تصوير النظام الصفراوي الحيوي²⁴. إذا أمكن تطبيق التقنيات المساعدة أثناء العملية لإزالة تلوث فلورة الكبد مع الحفاظ على التصوير الفلوري الصفراوي الصحيح، فقد يساعد ذلك في تحسين الرؤية الجراحية، مما يعزز سلامة ونعومة الجراحة.

تعد تقنية الذكاء الاصطناعي أداة واعدة لتحسين الفلورة. كان الذكاء الاصطناعي في التصوير الطبي والعمليات الجراحية محور بحثي في السنوات الأخيرة، محققا العديد من الاختراقات التكنولوجية والتطبيقات السريرية 25,26,27. كانت الدراسات والتطبيقات الحالية لتقنية التعلم العميق بالذكاء الاصطناعي في فيديوهات الجراحة بالمنظار تعتمد غالبا على طريقة الضوء الأبيض المفردة، بما في ذلك التعرف على معالم تشريحية مختلفة مثل العصب الحنجري المتكرر، حواف الكلى، الأوعية الدموية، والمرارة^{28، 29، 30، 31}. حاليا، هناك نقص في الأبحاث حول إزالة تلوث فلورة الكبد في الوقت الحقيقي أثناء التلوث الفلوري بمساعدة التألق. قد يساعد تقسيم الصور ثنائي النمط، الذي تم تطبيقه على نطاق واسع في الصناعة، في سد هذه الفجوة. تهدف هذه الدراسة إلى استكشاف تطبيقات تقسيم الصور ثنائية النمط ضمن سيناريوهات ICGLC، وتطوير والتحقق من طرق التدريب للتعرف الديناميكي في الوقت الحقيقي والحماية من التألق المفرط للكبد.

البروتوكول

جميع مقاطع الفيديو الجراحية المدرجة في هذه الدراسة تم الحصول عليها من مرضى خضعوا لاستئصال المثانة بالمنظار الاختياري بالمنظار (ICGLC) في مستشفى كلية بكين الطبية الموحدة. تمت الموافقة على الدراسة من قبل لجنة الأخلاقيات المختصة، وتم الحصول على موافقة مستنيرة من جميع المشاركين قبل التسجيل.

1. تحضير البيانات وتوضيح الصور

1. جمع بأثر رجعي مقاطع فيديو جراحية من 48 مريضا خضعوا لاختبار ICGLC في مستشفى كلية بكين الطبية المتحدة بين عامي 2022 و2024.
   ملاحظة: تم حقن المرضى المشاركين في هذه الدراسة عن طريق الوريد بجرعة 0.5 ملغ من ICG قبل 20 دقيقة من الجراحة.
2. طلب من الجراح العام مراجعة جميع مقاطع الفيديو الجراحية واستخراج المقاطع التي تشمل خطوات التشريح الحرجة في مثلث كالوت. اختر 76 مقطع فيديو جراحي يدويا، مع التركيز على تشريح مثلث الكالوت. استخرج قنوات التصوير الفلوري والضوء الأبيض من كل مقطع. قم بجمعها على قناة RGB.
3. لتقليل التكرار، قم بأخذ عينات من الإطارات بفاصل 8:1، وخفض الدقة من 1920 × 1080 إلى 960 × 540، واستيراد الصور إلى منصة تعليقات توضيحية مخصصة.
4. تعيين جراح عام لتحديد خطوط فلورة الكبد يدويا وضمان جودة التعليقات تحت إشراف جراح كبير.

2. مقاييس تقييم النماذج

1. تقييم أداء تقسيم النموذج باستخدام مقاييس رؤية الحاسوب القياسية، بما في ذلك الدقة، والاسترجاع، ومعامل النرد، بناء على مجموعة بيانات الاختبار المحددة.
2. تقييم الأداء في الوقت الحقيقي من خلال قياس الحمل الحسابي أثناء الاستدلال.
   1. قم بقياس زمن الاستدلال باستخدام وحدة الوقت من مكتبة بايثون/C القياسية.
   2. سجل الطابع الزمني الابتدائي عن طريق استدعاء time.perf_counter() قبل تحميل البيانات.
   3. استدعي time.perf_counter() مرة أخرى بعد أن يولد النموذج نتائج التنبؤ للحصول على الطابع الزمني النهائي.
   4. عرف الفرق بين طوابع النهاية والبداية كزمن الاستدلال لعينة واحدة.
   5. كرر هذا الإجراء لكل عينة في مجموعة بيانات الاختبار، واحسب متوسط زمن الاستدلال عبر جميع العينات لتمثيل زمن استجابة النموذج الكلي.
   6. راجع الشيفرة الزائفة التالية التي تلخص الإجراء المقابل:
      تهيئة Inference_time = 0 و ind = 0
      لتكن X ترمز إلى مسار تخزين مجموعة الاختبار والنموذج يرمز إلى نموذج الاستنتاج
      لكل x_path في X :
      مزامنة وحدة المعالجة المركزية ووحدة معالجة الرسومات
      Start_timestamp = time.perf_counter() # الطابع الزمني للبدء
      x = تحميل(x_path) # تحميل البيانات
      y = نموذج(x) # استنتاج النموذج
      مزامنة وحدة المعالجة المركزية ووحدة معالجة الرسومات
      End_timestamp = time.perf_counter() # ختم النهاية
      Inference_time += (end_timestamp - start_timestamp)
      Ind += 1
      نهاية ل
      Inference_time = Inference_time / ind # متوسط زمن الاستدلال
3. حدد الهدف الأساسي وهو التعرف على الفلورة الكبدية والصفراوية لاكتشاف منطقة الكبد داخل المجال الجراحي واستبدال معلومات الضوء الأبيض المقابلة، وبالتالي تقليل التداخل الناتج عن التألق الكبدي.
4. استخدم تقاطع الوحدة (IoU) لقياس دقة النموذج التنبؤية.
   ملاحظة: يعرف التقاطع فوق الاتحاد (IoU) بأنه نسبة عدد البكسلات في منطقة التداخل بين المنطقة الموجبة المتوقعة والمنطقة الموجبة للحقيقة الأرضية إلى إجمالي عدد البكسلات في اتحاد المناطق المتوقعة والمنطقة الموجبة للحقيقة الأرضية.
5. عرف التنبؤ بأنه إيجابي حقيقي (TP) إذا تجاوز IoU مع الحقيقة الأرضية عتبة محددة؛ وإلا، صنفه كسلبي كاذب (FN).
6. قم بوضع علامة على أي تقسيم متوقع بدون تعليق متوافق كمثبت كاذب (FP).
7. بعد حساب التقاطع عبر الاتحاد (IoU) بين النتائج المتوقعة وتسميات الحقيقة الأرضية، اضبط عتبة IoU إلى 0.1، مع الأخذ في الاعتبار الطبيعة المنتشرة ومنخفضة التباين لإشارات الفلورة في التصوير الجراحي.
8. حدد وحسب مقاييس التقييم كما يلي:
   
   
   

3. المعالجة اللاحقة الموركولوجية

1. قم بتقليل جميع إطارات الفلورة الكبدية والصفراوية من 1920 × 1080 إلى 960 × 540 باستخدام طريقة قائمة على الاستيفاء، وتحديدا الاستيفاء الثنائي.
2. تطبيق الحشوة الصفرية على طول العرض للحصول على بعد إدخال نهائي 960 × 544 عن طريق توليد مصفوفة صفرية بالكامل 960 × 544 ووضع الصورة الحالية في مركزها داخلها.
3. قم بدمج صور الضوء الأبيض والفلورة على طول بعد القناة عن طريق تخزين المصفوفات المقابلة لها بالتسلسل داخل موتر تم بناؤه باستخدام إطار PyTorch قبل إدخالها في النموذج.
4. لتقليل التنبؤات الصاخبة وتحسين جودة الحدود، قم بتنفيذ عمليات فتح وإغلاق مورفولوجية على مخرجات التقسيم الأولية لتصفية الضوضاء الزائفة وتحسين تحديد الحواف.
5. ابدأ بعملية فتح لإزالة المسامير الصغيرة والعيوب الحوفية في القناع³² المتوقع.
6. تابع عملية إغلاق لإزالة الثقوب المعزولة والمناطق المجزأة.
7. استخدم نواة هيكلية بحجم 25 × 25 لكلا العمليتين لضمان تحسين حدود الأعضاء بشكل فعال وتقليل ضوضاء التقسيم.

4. بيئة التدريب والمعايير الفائقة

1. درب النموذج باستخدام وحدة معالجة رسومات NVIDIA A100 Tensor Core واحدة.
2. اضبط حجم الدفعة إلى 16.
3. تهيئة المشفر (العمود الفقري) باستخدام أوزان مدربة مسبقا على ImageNet³³ للاستفادة من التعلم الانتقالي وتسريع التقارب.
4. استخدم محسن الانحدار التدرج العشوائي (SGD)³⁴ لمتانته في مهام تقسيم الصور واسعة النطاق وقدرته على التخفيف من التدرجات الضوضائية.
5. اضبط معدل التعلم الابتدائي إلى 0.01 وطبق استراتيجية تدهور كثير الحدود لتقليل معدل التعلم تدريجيا، مع حد أدنى 0.0001.
6. واصل التدريب لما مجموعه 50,000 تكرار للحصول على النموذج النهائي.

5. تدريب النماذج ثلاثية المراحل

1. في مرحلة اختيار النماذج، قارن عدة نماذج تقسيم باستخدام مدخلات ثنائية النمط، بما في ذلك DeeplabV3³⁵ وDLinkNet34³⁶ وU-Net³⁷؛ اختر النموذج الأمثل بناء على دقة التقسيم والكفاءة الحاسوبية.
2. في مرحلة التحسين الهيكلي الخوارزمي، يتم التحقيق في مواقع دمج الميزات المختلفة داخل الشبكة لتحديد أكثر استراتيجية تكامل فعالة لبيانات الضوء الأبيض والفلورة.
3. في مرحلة التعميم والتحقق السريري، يتم تطبيق تقنيات تعزيز البيانات التدريجي لتعزيز متانة النموذج؛ التحقق من صحة النموذج النهائي في السيناريوهات السريرية لتقييم قابليته للتطبيق في العالم الحقيقي.

6. معالجة الفيديو الجراحية

1. استخرج مقاطع فيديو تصور الفلورة أثناء الجراحة في ICG لتشريح الصفراء، بما في ذلك القناة الصفراء المشتركة (CBD) والقناة الكيسية.
2. معالجة الفيديوهات المختارة في الوقت الحقيقي باستخدام النموذج الأمثل؛ يحسب متوسط وقت المعالجة لكل إطار لتقييم الأداء الحسابي في الوقت الحقيقي.

7. إزالة تلوث فلورة الكبد

1. تطبيق النموذج لاكتشاف وقمع تلوث فلورة الكبد في الوقت الفعلي أثناء إجراءات ICGLC.
2. ضمان الحفاظ على تصور البنية الصفراوية لتسهيل التعرف الفعال على قنوات الصفراء.
3. الحفاظ على أداء كبح التلوث رغم التحديات الشائعة أثناء العمليات مثل انسداد الجهاز أو حركة الكاميرا.

8. التقييم السريري لجودة الفيديو

1. استقطب لجنة مكونة من 10 جراحين عامين كبار من مؤسسات خارجية لتقييم فعالية الفيديوهات المعالجة بالذكاء الاصطناعي.
2. تزويد كل جراح بمقاطع فيديو أصلية ومحسنة بالذكاء الاصطناعي؛ نطلب منهم إكمال استبيان تقييم ذاتي بناء على خمسة معايير تقييم محددة مسبقا.

النتائج

في دراستنا، تم تسجيل ما مجموعه 48 مريضا خضعوا لاستئصال المرارة الأخضر بالمنظار الاختياري بالإندوسيانين (ICGLC) بين عامي 2022 و2024 في قسم الجراحة العامة بمستشفى كلية بكين الطبية المتحدة بأثر رجعي. جميع المرضى تلقوا حقنة وريدية بجرعة 0.5 ملغ من الإندوسيانين الأخضر قبل 20 دقيقة من الجراحة. أكد الفحص المرضي بعد العملية أن جميع الحالات تم تشخيصها بالتهاب المثانة الحسابي.

بعد التقسيم والاختيار اليدوي، تم الحصول على ما مجموعه 76 مقطع فيديو. لكل مقطع، تم دمج قنوات ال...

المناقشة

استفاد هذا البحث من التعلم العميق بالذكاء الاصطناعي لمعالجة تحد رئيسي في جراحات ICGLC: تحديد وتغطية التلوث الفلوري الكبدي. غالبا ما يبلغ الجراحون الذين يستخدمون NIRF أن فلورة الكبد تسبب إرهاقا بصريا وتعقد التصوير الصفراوي³⁸. من خلال تطبيق تقنية الرؤية الحاسوبية، هدفت هذه الدراسة إلى التخفيف من هذه المشكلات وربما تقليل حدوث BDI، وهو مضاعفات شائعة في ICGLC. زمن الاستدلال للنموذج لمعالجة إطار واحد هو حوالي 0.018 ثانية، وهو ما يعادل حوالي 56 إطارا في الثانية (fps)، مت...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
وحدة تحكم تصوير فلورية 4K	شركة هانغتشو كانغجي الطبية للأدوات المحدودة	KJ-EP4K-01	يوفر ثلاثة أنماط تصوير: الضوء الأبيض، الفلورة، والفلورة المندمجة؛ دعم توسيع وحدات الذكاء الاصطناعي
كاميرا فلورية 4K	شركة هانغتشو كانغجي الطبية للأدوات المحدودة	KJ-EC-4K	كاميرا رقمية بالكامل مع إعدادات أزرار متعددة الوظائف؛ يدعم تسجيل الفيديو، والتصوير، وتبديل أوضاع التألق
نظام مصدر الضوء البارد	شركة هانغتشو كانغجي الطبية للأدوات المحدودة	KJ-CLS-1	مصدر ضوء بارد LED ومصدر ضوء LED بالفلورة بطول موجة فلورية 808 نانومتر
نواة تينسور NVIDIA A100	شركة NVIDIA	900-21001-0020-100	وحدة معالجة الرسوميات