Artigo de investigação
Este estudo apresenta um pipeline de deep learning para prever riscos cirúrgicos a partir de vídeos de microscopia intraoperatória, utilizando pré-processamento cGAN, segmentação, GCN, ASFO e modelagem de transformadores. Alto desempenho é alcançado em conjuntos de dados CaDIS e SICS-105, embora a validade clínica seja limitada pela rotulagem indireta.
Complicações pós-operatórias continuam sendo um desafio significativo na cirurgia de vitrectomia, frequentemente levando a desfechos visuais prejudicados e intervenções repetidas. Este estudo apresenta uma estrutura de aprendizado profundo para prever o risco cirúrgico extraindo características espaço-temporais de vídeos de microscopia intraoperatória. Durante o pré-processamento, técnicas de aprimoramento de vídeo, incluindo estabilização de movimento, normalização de iluminação e supressão de artefatos baseada em cGAN, são aplicadas para melhorar a qualidade da entrada. A segmentação adaptativa ao contorno é empregada para delimitar regiões cirúrgicas relevantes, seguida pelas Redes Convolucionais de Grafos para extração de características conscientes da estrutura. Uma abordagem de Otimização Adaptativa de Girassol é integrada para refinar a seleção de características, e um modelo baseado em transformadores captura dependências temporais para a previsão final de risco. A estrutura é avaliada em dois conjuntos de dados públicos, CaDIS e SICS-105. O modelo alcançou 98,9% de precisão, 97,5% de precisão, 98,2% de recordação, 97,9% no escore F1 e 98,1% de AUC no conjunto de dados CaDIS. Além disso, o módulo de segmentação alcançou 98,9% de precisão em pixels, 98,5% de precisão por classe e 96,6% de mIoU. O modelo alcançou 99,1% de precisão, 98,5% de pontuação F1, 98,7% de sensibilidade, 98,7% de especificidade e um ROC AUC de 99,10% no conjunto de dados SICS-105. Esses resultados demonstram melhorias consistentes em relação aos modelos de linha base. No geral, a integração de pré-processamento aprimorado por GAN, aprendizado de características baseado em grafos, otimização e modelagem de transformadores aumenta a confiabilidade preditiva. Essa abordagem destaca o potencial da análise intraoperatória por vídeo para suporte à decisão clínica em tempo real e melhora na estratificação do risco pós-operatório.
Vitrectomia Pars plana (VPP) é uma base para procedimentos cirúrgicos no manejo de várias doenças vítreo-retinianas, incluindo descolamento de retina, retinopatia diabética, buraco macular e hemorragiavítrea 1. Apesar do avanço na instrumentação cirúrgica e visualização, as complicações pós-operatórias continuam sendo uma fonte significativa de morbidade, com desfechos que vão desde distúrbios visuais leves até eventos que ameaçam a visão, como descolamento recorrente de retina, endoftalmite ou pressão intraoculardescontrolada 2. A identificação de pacientes com maior risco dessas complicações é uma necessidade crucial e não atendida na prática clínica, pois permite um planejamento cirúrgico mais informado, cuidados pós-operatórios personalizados e intervençõesoportunas 3. Tradicionalmente, a avaliação de risco na PPV tem se baseado em fatores pré-operatórios estáticos (como comorbidades e condições oculares pré-operatórias) e julgamento subjetivo intraoperatório do cirurgião 4,5,6,7. Além disso, a cirurgia recente de vitrectomia é amplamente documentada em vídeo de microscopia cirúrgica de alta resolução, oferecendo uma fonte de dados rica porém subutilizada. Esses registros, portanto, capturam não apenas características anatômicas e patológicas, mas também interações cirurgião-tecido, eventos intraoperatórios e movimentos cirúrgicos que podem ser preditivos de complicaçõesfuturas 8,9,10,11.
O Deep Learning demonstrou desempenho notável em diversos domínios da oftalmologia, incluindo classificação de imagem do fundo do olho, avaliação automatizada de habilidades cirúrgicas e análise de Tomografia de Coerência Óptica (OCT) 12. Além disso, alguns estudos têm utilizado sistematicamente dados de vídeo intraoperatórios para prever os desfechos pós-operatórios. A natureza espaço-temporal dos vídeos cirúrgicos apresenta desafios únicos: dados de alta dimensão, variabilidade entre cirurgiões, dependências temporais, anatomia do paciente e dispositivos 13,14,15,16. No entanto, uma integração eloquente do domínio clínico requer não apenas previsões precisas ou precisas, mas também robustez, interpretabilidade e generalização entre ambientes cirúrgicosem tempo real 17.
Nos campos de oftalmologia e ciência de dadoscirúrgicos 18, aprendizado de máquina (ML) e aprendizado profundo (DL) tornaram-se recentemente bastante populares. Suas aplicações incluem previsão de resultados, avaliação de habilidades cirúrgicas e imagemdiagnóstica 19. Estruturas baseadas em DL para entender situações cirúrgicas intraoperatórias foram investigadas em vários estudos. Por exemplo, o Nespolo20 demonstrou generalizabilidade entre tarefas ao propor um pipeline DL para a interpretação semântica de tecidos e instrumentos em cirurgia vítreorretiniana. Para facilitar a avaliação objetiva de desempenho, isso foi ampliado para possibilitar a extração de dados abrangentes sobre técnicas cirúrgicas e interações instrumento-tecido. De forma semelhante, Nespolo et al.21 demonstraram a viabilidade da orientação cirúrgica ao desenvolver um modelo de detecção e segmentação em tempo real utilizando microscopia intraoperatória e uma rede de segmentação de instâncias (YOLACT++).
Além disso, métodos baseados em IA foram reconhecidos como ferramentas úteis para melhorar o fluxo de trabalho, treinamento e avaliaçãocirúrgica 22,23. Essas técnicas possibilitam segmentação de fase, rastreamento em tempo real de instrumentos e maior segurança na microcirurgia oftálmica. O uso crescente do aprendizado de máquina (ML) na análise de registros cirúrgicos intraoperatórias foi ainda mais demonstrado por uma revisão sistemática de Mueller et al.23, que também destacou questões atuais com tradução clínica e confiabilidade. Vários estudos utilizaram modelos DL com dados de imagem e clínicos para prever desfechos pós-operatórios. Por exemplo, modelos baseados em OCT e características clínicas foram usados para prever desfechos visuais em casos de membrana epirretinianaidiopática 24, e métodos semelhantes mostraram eficácia na previsão de desfechos pós-operatórios em pacientes com buraco macular em conjuntos de dadosmulticêntricos 25. Outros estudos focaram em determinar a gravidade da vitroretinopatia proliferativa usando estruturas multimodais DL26 e na previsão de recorrência de descolamento retinano usando imagens de campoultra-amplo27. Além disso, os resultados visuais e as etiologias subjacentes nas doenças vítreorretinianas foram previstos usando modelos de aprendizado de máquina que incorporam variáveis demográficas, clínicas ecirúrgicas 28,29,30.
Apesar desses desenvolvimentos, a maioria dos métodos atuais dá pouca ênfase à dinâmica intraoperatória e baseia-se principalmente em dados pré-operatórios ou imagens pós-operatórias estáticas. Embora alguns estudos utilizem análise de vídeo cirúrgico para segmentação eavaliação 20,21,22,23, eles não incorporam diretamente dados intraoperatórios espaço-temporais para prever a probabilidade de complicações. Como resultado, ainda existe uma lacuna significativa no uso de dados microscópicos intraoperatórios em vídeo para modelagem preditiva. Para criar estruturas precisas e clinicamente significativas para prever complicações pós-operatórias de vitrectomia, essa lacuna deve ser preenchida.
Neste estudo, é apresentado um novo arcabouço multimodal de DL que integra características espaço-temporais extraídas de vídeos de vitrectomia intraoperatória com metadados clínicos estruturados para prever o risco de complicações pós-operatórias. Ao empregar codificadores de vídeo avançados (como arquiteturas convolucional e baseada em transformadores) juntamente com estratégias de fusão demetadados 18, esse esquema visa reconhecer eventos intraoperatórios de alto risco, fornecer probabilidades calibradas de complicações e gerar visualizações interpretáveis para médicos. Por meio de estimativas multicêntricas, análises de interpretabilidade e estudos comparativos, a viabilidade do uso de vídeo intraoperatório como biomarcador preditivo para o resultado cirúrgico édemonstrada 18. Desenvolver uma estrutura forte de DL que utilize dados espaço-temporais de gravações de microscópio intraoperatório para prever complicações pós-operatórias na cirurgia de vitrectomia é o objetivo principal deste projeto. Em termos de precisão preditiva e generalização, a abordagem integrada proposta, que combina pré-processamento baseado em cGAN, extração de características orientada por GCN, otimização baseada em ASFO e modelagem baseada em transformadores, espera-se que supere os métodos atuais.
Esse trabalho utiliza de forma eficiente vídeos de microscópio intraoperatório para apresentar uma estrutura abrangente de DL para a previsão de problemas de vitrectomia pós-operatória. Em contraste com os métodos atuais, que dependem principalmente de modalidades de imagem estática ou dados clínicos pré-operatórios, a metodologia proposta combina técnicas avançadas de aprendizado de máquina com análise de vídeo espaço-temporal de uma forma inovadora. Em particular, a metodologia utiliza Redes Convolucionais de Grafos (GCNs) para capturar relações estruturais e relacionais dentro de cenas cirúrgicas, Segmentação Adaptativa de Contorno (CAS) para delimitação precisa de regiões, e um módulo de aprimoramento de vídeo baseado em cGAN para supressão de artefatos. Além disso, para melhorar a convergência do modelo e o poder discriminativo, um algoritmo de Otimização Adaptativa de Girassol (ASFO) é utilizado para equilibrar a exploração e a exploração na seleção de características. Por fim, a dinâmica temporal entre sequências cirúrgicas é modelada usando uma arquitetura baseada em transformadores com pooling de atenção espaço-temporal. Uma grande melhoria em relação aos pipelines atuais, essa integração abrangente de pré-processamento, segmentação, aprendizado de características baseado em grafos, otimização e previsão orientada pela atenção permite uma previsão de risco mais precisa, confiável e clinicamente significativa. Os conjuntos de dados CaDIS e SICS-105 são usados neste estudo como conjuntos visuais proxy para aprender características espaço-temporais intraoperatórias, apesar de seu principal objetivo ser a análise da cirurgia de catarata. Em vez de usar rótulos de complicações explicitamente marcados, esses traços são então usados para modelar e inferir o risco de problemas pós-operatórios com vitrectomia.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os conjuntos de dados CaDIS e SICS-105 utilizados neste estudo são publicamente disponíveis e foram originalmente coletados com aprovação prévia do conselho de revisão institucional e consentimento informado, conforme relatado em suas respectivas publicações. Este estudo envolve apenas análise secundária de dados totalmente anonimizados e, portanto, não foi necessária aprovação ética adicional ou consentimento informado.
O modelo sugerido foi projetado para prever complicações da vitrectomia pós-operatória, explorando padrões espaço-temporais de vídeos de microscopia intraoperatória. O pipeline é composto por quatro etapas principais: pré-processamento, segmentação, extração de características, otimização de características e classificação, conforme mostrado na Figura 1.
A avaliação intraoperatória do risco de complicações pós-operatórias é o alvo de previsão do estudo. O modelo não pode prever eventos pós-operatórios clinicamente verificados dentro de uma janela de tempo específica porque os conjuntos de dados CaDIS e SICS-105 não possuem dados longitudinais de acompanhamento. Em vez disso, utiliza padrões cirúrgicos intraoperatórios para inferir a probabilidade de possíveis problemas. Definições operacionais de "complicação" nesse contexto incluem transições de fase irregulares, interações anômalas entre instrumento e tecido e variações no fluxo de trabalho cirúrgico associadas a maior complexidade cirúrgica. Para garantir interpretabilidade e avaliação confiável, o trabalho de previsão é projetado como um problema binário de classificação que classifica os casos em grupos de baixo e alto risco. Em vez de servir como um sistema clínico diagnóstico direto, essa formulação permite que o quadro sugerido sirva como uma ferramenta de suporte à decisão intraoperatória.
Descrição do Conjunto de Dados:
O modelo proposto foi avaliado em dois conjuntos de dados: o conjunto de dados A (CaDIS, Conjunto de Dados de Catarata para Segmentação de Imagens) e o conjunto de dados SICS-105 (Cirurgia de Catarata de Pequenas Incisões).
(i) CaDIS31: Este conjunto de dados foi desenvolvido para a tarefa de segmentação em vídeos de cirurgia de catarata. Este é introduzido para complementar o conjunto de dados de desafios CATARACTS disponível publicamente e, assim, visa avançar no desenvolvimento de esquemas DL para análise de vídeos cirúrgicos. O conjunto de dados consiste em 25 gravações de vídeo, totalizando 4.670 quadros anotados, representando várias etapas da cirurgia de catarata (Figura Suplementar 1). Cada quadro é meticulosamente anotado, fornecendo etiquetas em nível de pixel necessárias para treinar e estimar o esquema de segmentação. Ele serve como referência para avaliar o desempenho do modelo DL em vídeos cirúrgicos.
(ii) Conjunto de dados SICS-105 (cirurgia de catarata de pequena incisão)32: Este conjunto de dados compreende 105 gravações realizadas por cirurgiões e anotadas por quatro oftalmologistas ao longo de um período de 6 meses entre 2023 e 2024, abrangendo 20 fases (Figura Suplementar 2). A duração total do vídeo é de 22 h e 39 min, com resolução de 1920 × 1080 pixels (reduzida para 960 × 540) e 30 fps. A duração média de um vídeo é de 12 minutos e 57 segundos (σ=4:31 min). Um conjunto de dados é publicamente acessível no repositório Zenodo na URL: https://doi.org/10.5281/zenodo.13847781. Amostras representativas de entrada são mostradas na Figura Suplementar 1 e na Figura Suplementar 2. Embora os conjuntos de dados CaDIS e SICS-105 tenham sido originalmente projetados para reconhecimento e segmentação cirúrgica de fases em cirurgia de catarata, há informações limitadas sobre complicações pós-operatórias de vitrectomia. Para resolver a falta de informações sobre complicações da vitrectomia pós-operatória, propomos um conjunto de rótulos proxy para informações de risco baseados em padrões visuais intraoperatórios e eventos na sequência de vídeo. Os quadros e sequências de vídeo nos conjuntos de dados foram anotados com informações de risco em três níveis (baixo, moderado, alto) de acordo com um conjunto de heurísticas inspiradas no entendimento clínico, incluindo complexidade de interação instrumento-tecido, anormalidades na duração cirúrgica, oclusão, instabilidade e movimento anormal. A formulação proposta não utiliza desfechos clínicos como rótulos, mas os trata como rótulos proxy para informações de risco sobre possíveis complicações pós-operatórias.
Pré-processamento usando abordagem cGAN
Normalmente, quadros brutos são frequentemente degradados pela variação da iluminação, desfoque e artefatos especulares. Para resolver isso, uma Rede Generativa Adversarial condicional (cGAN) é usada para aprimorar o vídeo. Quadros brutos são os quadros originais, não processados, extraídos diretamente de gravações de vídeo em microscopia intraoperatória, antes de qualquer aprimoramento ou normalização. Esses quadros normalmente contêm artefatos como variabilidade da iluminação, desfoque de movimento, reflexos especulares e ruído proveniente de instrumentos cirúrgicos e movimentos de câmera. Um gerador restaura quadros limpos enquanto um discriminador reforça o realismo visual. A função objetivo que integra reconstrução de pixels, perdas adversariais e de consistência temporal, garantindo sequências de vídeo estáveis e sem artefatos para análise posterior.
Um quadro degradado It no passo temporal t é a entrada do gerador, enquanto um quadro melhorado Yt = G(It) é sua saída. Condicionado à entrada it, o discriminador é treinado para distinguir entre a saída gerada e o quadro limpo de verdade fundamental Yt. O objetivo do treinamento incorpora várias funções de perda para garantir uma reconstrução de alta qualidade: (i) perda adversarial para impor o realismo; (ii) perda de reconstrução pixel a pixel (perda L1) para manter a fidelidade da intensidade; (iii) perda perceptiva para preservar a consistência estrutural usando representações profundas de características; e (iv) perda de consistência temporal para garantir transições suaves entre quadros consecutivos e evitar artefatos de cintilação.
Para garantir entrada de alta qualidade para extração de características, os vídeos de microscopia intraoperatória são inicialmente aprimorados usando um cGAN. Cada quadro bruto It* é considerado uma observação degradada de um quadro limpo . Um gerador G aprende um mapeamento G(It) = I t para restaurar quadros aprimorados, enquanto o discriminador D distingue entre amostras reais e geradas. Um objetivo de treinamento integra perda adversarial Ladv, perda perceptual L perc perc em reconstrução baseada em pixels L L e consistência temporal Ltemp. Esse modelo suprime desfoque, artefatos especulares e ruído, mantendo coerência temporal e estrutural, gerando sequências de vídeo estáveis e sem artefatos para análise posterior. A formulação do GAN é expressa nas Equações [1-6] do Arquivo Suplementar 1.
Segmentação usando Segmentação Adaptativa de Contorno (CAS)
Nesse caso, a segmentação é realizada usando um modelo de segmentação adaptativo ao contorno. Isso define contornos preliminares para segmentar imagens afetadas de vitrectomia em imagens de microscopia, reduzindo assim a função de energia, como mostrado nas equações [7-12] no Arquivo Suplementar 1. O baixo valor de energia garante representações precisas e avaliação localizada das regiões em risco. Isso, por sua vez, permite a segmentação precisa das regiões afetadas, o que subsequentemente facilita a extração de características na seção seguinte.
Extração de Características usando GCN Espaço-Temporal Dinâmico (dGCN)
Uma vez concluída a etapa de pré-processamento, o próximo passo é extrair características espaço-temporais discriminativas. Por essa razão, uma Rede Convolucional de Grafos (GCN) é utilizada, pois é eficaz na captura de dependências estruturadas. O modelo adotado é composto por camadas GCN empilhadas com ativações não lineares que mitigam o sobreajuste e abordam o problema de anulação do gradiente por meio de um mecanismo de normalização. A formulação GCN baseia-se em uma aproximação espectral de primeira ordem das convoluções de grafos, tornando-a adequada para tarefas de aprendizado semi-supervisionado em grande escala. Além disso, a representação linearizada simplifica a otimização, garantindo assim um aprendizado eficaz dos parâmetros. A operação do GCN simplificado é expressa nas Equações [13–15] do Arquivo Suplementar 1. Quando aplicada, a GCN extrai de forma eficiente representações estruturais de nível superior a partir de dados de vídeo intraoperatórios. Subsequentemente, apenas as características mais relevantes ou apropriadas são mantidas em meio a um mecanismo de seleção auxiliado por otimização, descrito na seção seguinte.
Otimização de Características usando Otimização Adaptativa de Características Baseada em Girassol (ASFO)
O Algoritmo Adaptativo de Otimização de Girassóis (ASFO) é uma versão aprimorada da Abordagem Clássica de Otimização de Girassol (SFOA). No modelo sugerido, esse processo biologicamente orientado é matematicamente modelado para abordar o refinamento e a seleção de características em um conjunto de dados de alta dimensão. Especificamente, essa abordagem é adaptada para melhorar a velocidade de convergência, equilibrar a exploração e a exploração para preservar a diversidade de soluções e mitigar a convergência prematura. A formulação matemática do ASFO está exposta nas Equações [16–21] do Arquivo Suplementar 1. Esse esquema acelera a convergência quando as soluções estão próximas do ideal. O algoritmo detalhado é fornecido no Arquivo Suplementar 1. No pipeline proposto, o ASFO é usado para refinar o vetor de características após fusão baseada em transformador. As características selecionadas são baseadas em textura, cor e intensidade, morfológicas e estruturais, de movimento e temporais, de alta dimensão e descritores de regiões ponderadas em atenção. O objetivo é minimizar a função de perda de relevância de características, selecionando e ponderando características que aumentem a precisão da classificação ao reduzir a redundância.
Cabeça de classificação baseada em transformador com pooling de atenção espaço-temporal
Um modelo baseado em transformador é usado para capturar dependências temporais entre sequências de vídeo cirúrgicas. O modelo é configurado com autoatenção multi-cabeça, codificação posicional e camadas totalmente conectadas para previsão final de risco. A otimização de hiperparâmetros é realizada usando ASFO. O pipeline integrado combina pré-processamento, extração de características, otimização e classificação baseada em transformadores para permitir uma previsão precisa de risco cirúrgico.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Para avaliar a eficácia do modelo proposto, experimentos extensos foram realizados utilizando conjuntos de dados de vitrectomia do mundo real. O desempenho foi avaliado em pré-processamento, eficácia na extração de características e precisão da previsão.
Análise de desempenho e estimativa comparativa
A metodologia proposta foi comparada com modelos de linha base usando métricas como precisão, precisão, recordação, p...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Uma avaliação experimental dos conjuntos de dados CaDIS e SICS-105 confirma a robustez e superioridade do modelo proposto em relação às abordagens tradicionais. Modelos de base como ResNet-50, LSTM-CNN e redes orientadas por segmentação (UNet, DeepLabV3+, UPerNet, HRNetV2) têm desempenho razoavelmente bom, mas são prejudicados pela variabilidade intraoperatória inerente do vídeo, incluindo mudanças na iluminação, oclusão, desfoque de movimento e interações ferramenta-tecido
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores não têm conflitos de interesse a revelar.
Os autores gostariam de agradecer ao North Sichuan Medical College por fornecer o apoio institucional e os recursos necessários. Agradecimentos especiais à equipe clínica do Hospital Central de Guangyuan pela ajuda na coleta dos vídeos de microscopia intraoperatória.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Estação de Trabalho de Alto Desempenho | NVIDIA Corporation, EUA | RTX-A6000 | Usado para treinamento de modelos; GPU VRAM de 48 GB com processador Intel Core i9 e 128 GB de RAM |
| Python (v3.10) | Fundação de Software Python | Código Aberto | Linguagem de programação central para desenvolvimento e experimentação de modelos |
| TensorFlow (v2.15) | Google Research | Código Aberto | Framework usado para implementar o pré-processamento cGAN e o classificador Transformer |
| PyTorch (v2.2.0) | Meta IA | Código Aberto | Usado para implementar módulos de GCN e Otimização Adaptativa de Girassol |
| Kit de Ferramentas CUDA (v12.1) | NVIDIA Corporation | CUDA-12.1 | Fornece aceleração de GPU para todos os cálculos de aprendizado profundo |
| Rede Antagonista Generativa Condicional (cGAN) | Adaptado do Pix2Pix Framework | N/A | Usado para aprimoramento de vídeo e remoção de artefatos durante o pré-processamento |
| Estimador Óptico de Fluxo (RAFT) | Teed & Deng (ECCV 2020) | N/A | Garante consistência temporal entre quadros durante o pré-processamento |
| Modelo de Segmentação Adaptativa de Contorno (CAS) | Implementação Personalizada | N/A | Modelo de contorno ativo modificado para segmentação precisa de limites em vídeos de vitrectomia |
| Rede Convolucional Dinâmica de Grafos (GCN) | Implementação Personalizada (baseada em Kipf & Welling, 2017) | N/A | Extrai relações espaço-temporais entre nós de características de vídeo |
| Algoritmo Adaptativo de Otimização de Girassol (ASFO) | Implementação Personalizada | N/A | Usado para seleção otimizada de características e redução de dimensionalidade |
| Modelo de Codificador de Transformador | Implementação Personalizada (baseada em Vaswani et al., 2017) | N/A | Usado para classificação final de complicações pós-operatórias com agrupamento de atenção espaço-temporal |
| Matplotlib (v3.8) | Fundação de Software Python | Código Aberto | Usado para visualização de métricas de desempenho e gráficos |
| Seaborn (v0.13) | Fundação de Software Python | Código Aberto | Usado para visualização avançada e gráficos estatísticos |
| Adam Otimizador | TensorFlow Embutido | N/A | Usado para treinamento de modelos; Taxa de aprendizado = 1e-4, & beta; 1=0,9, β 2=0,999 |
| Suíte de Funções de Perda (L_adv, L_l1, L_perc, L_temp, L_G) | Implementação Personalizada | N/A | Define perdas adversariais, perceptivas, pixeladas e temporais para treinamento GAN |
| Sistema Operacional | Ubuntu Linux 22.04 LTS | N/A | Ambiente base para experimentação em aprendizado profundo |
| Pacote de Métricas de Avaliação | scikit-learn (v1.5.0) | Código Aberto | Usado para calcular precisão, precisão, recordação, F1-score, AUC e mIoU |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE
Solicitar permissão