Critical View of Safety


DIAPO 1

La redazione oggi vi propone una della prime applicazioni dell’intelligenza artificiale in chirurgia. L’obiettivo è quello di migliorare la sicurezza globale in sala operatoria attraverso questa tecnologia attraverso il riconoscimento automatico di un passaggio cruciale dell’intervento usando il deep learning. Aspetto estremamente interessante risiede nella ‘formazione’ dell’intelligenza artificiale che avviene attraverso materiale video raccolto durante la real life di pregressi interventi chirurgici. L’articolo pubblicato su Annals of Surgery è a prima firma Mascagni, membro della Tech Commitee di EAES.

 

DIAPO 2

Le lesioni della via biliare (BDI) durante colecistectomia sono associate al triplicarsi della mortalità ad un anno, a sequele di natura medico legale e ad un incremento dei costi sanitari di circa 1 miliardo di dollari all’anno nei soli Stati Uniti.

La corretta dissezione intraoperatoria sino al raggiungimento della Critical View of Safety (CVS) previene dall’alterazione della percezione ottica che è causa del 97% delle sezioni complete del dotto biliare comune, la tipologia peggiore di BDI.

Complessivamente tuttavia il tasso di BDI nelle ultime tre decadi è rimasto sostanzialmente stabile variando dal 0.36%-1.5%, un tasso di incidenza almeno tre volte superiore rispetto a quello comunemente riportato per la colecistectomia open.

Il relativamente basso tasso di questa complicanza rapportato all’alto frequenza di questo intervento porta inevitabilmente ad un elevato numero assoluto di BDI nel corso di un anno.

L’eccesso di sicurezza nella CL e l’insufficiente o inadeguata implementazione della CVS sono stati identificati come alcuni dei fattori alla base della persistenza degli elevati tassi di BDI

 

DIAPO 3

La Surgical Data Science (SDS) è una nuova disciplina che potrebbe aiutare a questo proposito con lo scopo di migliorare la gestione chirurgica guadagnando importanti valutazioni dalla mole di dati digitali che si producono,.

La computer vision (CV), è un campo dell’intelligenza artificiale (AI) che forma le macchine ad estrarre informazioni utili dalle immagini, essa potrebbe essere usata in chirurgia e fornire feedback durante passaggi critici

Nel caso della colecistectomia laparoscopica, un modello di CV potrebbe essere addestrato a riconoscere automaticamente e valutare il raggiungimento della critical view of safety

Lo scopo di questo studio è stato quello di addestrare e testare un modello di Computer vision per evidenziare l’anatomia epatocistica e determinare dei criteri di raggiungimento della CVS nelle immagini laparoscopiche.

 

DIAPO 4

Per creare i dataset necessari all’addestramento dell’algoritmo si sono usati video di colecistectomia laparoscopiche di pazienti maggiorenni eseguiti tra febbraio 2015 e giugno 2019.

Tecnicamente per generare un dataset eran necessari questi tre passaggi:

I video delle CL che mostravano un’anatomia epatocistica normale, definita come un triangolo epatocistico con il dotto cistico ed una singola arteria cistica, sono stati editati per mostrare i 60 secondi della video sequenza che precede il primo posizionamento di clip o sezione di dotto cistico o arteria cistica

60 frame sono stati estratti automaticamente dal video di un minuto che ne è risultato e sono stati caricati in un software di annotazione su misura.

Succesisivamente sono stati selezionati manualmete per escludere immagini in cui la CVS non poteva essere apprezzata nella sua visione anteriore (mediale)

Quindi i restanti fermo immagine sono stati inclusi nel CVS dataset

 

DIAPO 5

I criteri di Strasberg definivano la Critical View of Safety: il criterio delle due strutture, quello del triangolo epatocistico ed infine quello del letto della colecisti.

Un chirurgo in formazione ed un chirurgo epato-bilio-pancreatico con più di 300 casi di CL e 11 anni di esperienza hanno valutato indipendentemente il raggiungimento dei 3 criteri secondo un codice binario. Il disaccordo è stato mediato da un chirurgo epato-bilio-pancreatico esperto (con più di 2500 casi di CL).

 

DIAPO 6

 

Per segmentazione semantica si intende l’assegnazione a ciascun pixel di un immagine una determinata classe.

Per addestrare un modello a segmentare automaticamente l’anatomia epatocistica (es. colecisti, dotto cistico, arteria cistica e letto della colecisti), sono state segmentate manualmente in sottogruppo di immagini denominato Segmentation dataset.

Il Segmentation dataset è stato generato scegliendo immagini dal CVS dataset annotato secondo le seguenti indicazioni:

  • 2 immagini separate distanti almeno 10 secondi sono state selezionate in maniera random per ogni CL
  • Un’immagine aveva una CVS ottimale (3/3 criteri) mentre l’altra una CVS subottimale (0-2/3 citeri)
  • Nel caso in cui le immagini estratte da un determinato video avessero una CVS ottimale, 2 immagini subottimali sono state scelte

 

DIAPO 7

La DeepCVS è un modello a 2 stadi per segmentare l’anatomia epatocistica e predire se ciascuno dei 3 criteri della CVS sono stati raggiunti in un’immagine laparoscopica

Il primo stadio della Deep CVS consiste nella segmentazione del network che è stato utilizzato per classificare i pixel dell’immagine laparoscopica secondo le strutture anatomiche a cui appartengono.

Per il secondo stadio della DeepCVS diverse configurazioni di networks neurali sono state testate. Per compensare lo squilibrio dei dati, le immagini della CVS raggiunta sono state sovracampionate ed il contributo di ciascun criterio alla funzione di scarto del network di classificazione è stato pesato con un fattore che è inversamente proporzionale alla frequenza di raggiungimento del criterio nel CVS dataset

 

DIAPO 8

In considerazione dell’esiguità numerica del dataset si è resa necessaria una cross validazione. Sono stati pertanto suddivisi i dataset 5 volte avendo cura di mantenere per ciascuno di esso le proprietà statistiche. Alla fine, mappe di salienza sono state calcolate per visualizzare quale parte dell’input dell’immagine laparoscopica ha contribuito di più ai criteri di predizione, aiutando così a interpretare la logica interna della DeepCVS.

Le misure di outcome erano:

  • Intersection over union IoU: misura la percentuale di sovrapposizione tra l’output di segmentazione e la verità di fondo. Migliore è la segmentazione più ampia sarebbe stata l’area di sovrapposizione portano la IoU più vicina ad 1.
  • Average precision AP: precisione media in ogni ripetizione e valuta la perfornce globale del modello
  • Balanced accuracy bACC: media della sensibilità e specificità per il migliore modello selezionato utilizzando il set di validazione

 

DIAPO 9

Passiamo ora alla disamina dei risultati:

complessivamente sono state incluse nello studio 201 colecistectomia laparoscopiche eseguite da 22 chirurghi.

12060 frame sono stati estratti automaticamente considerando 60 frame per ogni intervento.

Dopo la selezione manuale il dataset è stato costruito con 2854 immagini annotate

 

DIAPO 10

L’accordo tra gli osservatori per la CVS è stato complessivamente 81.9%.

93.1%, 68.3% e 73.5% per i criteri delle 2 strutture, del triangolo epatocistico e del letto della colecisti rispettivamente

Se si guardano inoltre i risultati di Intersection over union per le strutture si trova una eterogenità marcata compresa tra valori inferiori del 50% per arteria cistica e letto colecistico, mentre background e strumenti chirurgici vedono valori nettamente superiori al 90%. Valori compresi tra questi due estremi li troviamo per il triangolo epatocistico e per il dotto cistico.

 

DIAPO 11

402 immagini dal CVS dataset sono state segmentate ed incluse nel Segmentation dataset

La CVS è stata raggiunta in 529 immagini (18.5%) e 49 (12.2%) nel CVS dataset e nel Segmentation dataset rispettivamente

 

DIAPO 12

Il network di segmentazione ha restituito una IoU media del 66.6% ± 1.4% in tutte le classi.

Le AP e bACC medie sono state di 71.9%±6.6% e 71.4%±2.9%, rispettivamente.

La bACC media corrisponde ad una sensibilità del 70.4% ed una specificità del 72.4%.

 

DIAPO 13

Lo studio ha dimostrato la fattibilità dell’addestramento di una rete neurale artificiale per segmentare automaticamente l’anatomia epatocistica e valutare il raggiungimento dei criteri di CVS nelle immagini laparoscopiche.

Gli sforzi dell’SDS come la DeepCVS potrebbero supportare l’implementazione delle best practices in chirurgia, contribuendo quindi alla sicurezza del paziente

La collaborazione tra chirurghi e scienziati informatici dovrebbe essere fortemente incoraggiata per:

  • identificare i casi più appropriati
  • organizzare dataset chirurgici
  • sviluppare modelli di deep learning per la sicurezza chirurgica
  • tradurre i vantaggi di AI in benefici per i pazienti ed il sistema sanitario

Seguiranno studi clinici per provare questo concetto in sala operatorial, definire la migliore interfaccia di feedback automatic, valutare il valore della DeepCVS nel promuovere l’implementazione della CVS e ridurre l’incidenza delle BDI


Commento a cura del Dott. Emanuele Botteri (Brescia)

Buona visione a tutti.

Lascia un commento