Phase recognition


 


DIAPO 1

La redazione ha scelto oggi di presentarvi la review sistematica sull’utilizzo delle tecniche di Machine Learning applicate nell’ambito della Surgical Phase Recognition. L’articolo è stato recentemente pubblicato su Annals of surgery a primo nome Carly Garrow e si presenta come un ulteriore passo avanti nella migliore definizione delle applicazioni di Intelligenza artificiale in chirurgia. Il riconoscimento corretto e con buona accuratezza delle fasi chirurgiche è uno step cruciale nell’ambito dell’intelligenza artificiale applicata alla chirurgia se si vuole che in futuro ci possa essere un supporto all’operatore per migliorare efficienza e sicurezza degli interventi chirurgici.

 

DIAPO 2

L’Intelligenza Artificiale (AI) è la capacità di macchine o computer di mostrare comportamenti intelligenti come ‘imparare’ o risolvere compiti per i quali non è stata prevista specifica programmazione.

Il Machine Learning (ML) può essere considerato come l’estrazione di conoscenza dai dati. Oggi questa funzione è comunemente usata in ambito economico, militare, ingegneristico.

 

DIAPO 3

L’implementazione di AI e ML in ambito medico è complesso, ma ad oggi viene impiegato nel riconoscimento delle lesioni cancerose in radiologia ed endoscopia, nell’identificaizone della retinopatia diabetica .

Come si evince dal grafico sotto riportato che mostra il numero di ‘hit’ presenti su PubMed dopo inserimento delle query Machine Learning o Artificial Intelligence In letteratura si assiste una crescita rapida di lavori in questi ambiti negli ultimi 10 anni

 

DIAPO 4

L’ingresso sempre maggiore di nuove tecnologie in chirurgia e di conseguenza di numeri sempre crescenti di devices in sala operatoria da origine a un notevole flusso di informazioni e dati.

La raccolta e l’analisi di questi dati può favorire il miglioramento ella qualità di cura dei pazienti.

Esempi di impiego in sala operatoria di AI sono:

Riconoscimento delle fasi operatorie per fornire assistenza al chirurgo

Fornire feed back nei chirurgi in formazione.

Massimizzare l’efficienza dei processi di  cura tramite standardizzazione.

 

DIAPO 5

Questo lavoro si propone di fare una review sistematica per riassumere i modelli di ML usati in chirurgia generale per il riconoscimento automatizzato delle fasi di un intervento.

 

DIAPO 6

Lo studio è stato condotto in accordo con metodologia PRISMA e AMSTAR2 e successivamente registrato su PROSPERO.

La ricerca degli articoli da includere è stata condotta su Medline, Web of Science e per la raccolta di articoli tecnici su IEEExplore.

Venivano inclusi articoli che comprendevano procedure di chirurgia generale nelle quali era prevista la cattura di segnali intraoperatori per permettere la Phase recognition usando ML.

Venivano esclusi studi non umani o interventi chirurgici che non fossero di chirurgia generale.

 

DIAPO 7

Per la selezione degli studi da includere due referi indipendenti screenavano abstracts e titoli per rilevanza.  Le eventuali discordie erano risolte da consensus o con ausilio di revisione terzo.

Successivamente lo stesso processo veniva effettuato per i full text

L’outcome primario era quello di presentare i principali e più diffusi modelli di ML per eseguere phase recognition on chirurgia generale.

Tra gli outcomes secondari viceversa si presentavano i vari tipi di dati di imput per la phase recognition e presentare accuratezza e limitazioni dei modelli ad ora implementati.

 

DIAPO 8

I modelli di ML impiegati sono stati descritti specificamente nel testo dell’articolo puntando sui punti di forza e i limiti di ciascuno di essi. Nessuno di essi è perfetto ma possono essere scelti ed implementati per un particolare tipo di PR sulla base del tipo di dati che devono essere analizzati, la loro complessità, la numerosità e la possibilità di utilizzo ‘real time’.

I modelli utilizzati negli articoli inclusi in questa review sono: il Dynamic time warping, il support vector machine, la random forest,

 

DIAPO 9

l’hidden markov model e l’artificial neural network a sua volta diviso in due tipi quali il convolutional neurla network e il recurrent neural network.

 

DIAPO 10

L’apprendimento della PR è di tipo supervisionato. Ovvero i dati di input venivano correlati da annotazioni manuali inserite da personale umano esperto. Solo allora venivano processati da algoritmi di ML per permettere la successiva fase di riconoscimento automatico della fase chirurgica. I dati di input impiegati erano estratti dall’impiego degli strumenti, dai movimenti dei bracci robotici, dalle immagini video e da dati generali delle caratteristiche intraoperatorie.

 

DIAPO 11

Entrando nello specifico dei dati di input usati tra le caratteristiche intraoperatorie analizzate troviamo le pressioni intraddominali, il peso dei liquidi aspirati e usati per irrigazione intraoperatoria e le inclinazioni del tavolo operatorio. Questi sono dati molto semplici da inserire anche dallo stesso personale di sala operatoria sebbene spesso debbano essere inseriti manualmente.

Venivano utilizzati i tempi di utilizzo dei vari strumenti operatori desunti dai momenti di inserzione ed estrazione. Questo dato è molto accurato in quanto estremamente condizionato dalla sottostante fase chirurgica. La fase di attivazione degli strumenti invece era registrata con l’uso di antenne in sala operatoria. Lo stesso dato veniva anche registrato usando la lettura del video da parte di modelli di ML. Alcuni dati venivano inseriti manualmente etichettando le strutture direttamente sul video da parte di personale umano sino alla possibilità che il dato venisse letto automaticamente dopo che era processato da alcuni modelli di ML tipo il artificial neural network. La maggior parte degli studi aveva come dati di input l’utilizzo degli strumenti e il data extraction dal video di tipo manuale.

 

DIAPO 12

A partire da un numero complessivo di 2209 articoli le varie fasi di screening dei lavori ha portato a una complessiva inclusione di 35 studi.

 

DIAPO 13

Passando ora alla disamina degli articoli inclusi si nota come il tipo prevalente di modello di ML utilizzato era l’Artificial neural network con 14 studi nei quali veniva testato. La spiegazione risiede nel fatto che questo modello impara la PR usando come dati di input immagini con annotazioni manuali. Ha l’indubbio svantaggio di necessitare di un gran numero di dati di ingresso e lavorare con maggior potenza computazionale, ma ha la possibilità di migliorare la propria accuratezza con l’aumentare dei dati di input inseriti. Interessante inoltre segnalare come in 7 studi i modelli di ML testati erano molteplici (due o tre).

 

DIAPO 14

Il tipo di interventi considerati erano complessivamente di tre tipi. Il maggior numero di studi utilizzava ML per PR nella colecistectomia, due studi in laparoscopic sleeve gastrectomy e altri due associavano lo studio della colecistectomia a quello della chirurgia colorettale. Il numero di interventi per studio variava da un minimo di 4 a un massimo di 340 con un progressivo incremento nel tempo. Le fasi chirurgiche obiettivo di riconoscimento dei modelli di ML non erano omogenee: per esempio nella colecistectomia sono state identificate un minimo di 3 e un massimo di 20. Bisogna tuttavia aggiungere che una disamina precisa di ciascun articolo fa emergere alcune parti di intervento ‘costanti’ e valutate come fasi da riconoscere nella maggior parti degli studi inclusi quali riconoscimento del triangolo di Calot, clippaggio e sezione del dotto cistico e asportazione della colecisti dal letto epatico.

 

DIAPO 15

L’accuratezza della PR è risultata varia ed influenzata da diversi fattori. Innanzitutto dal tipo di modello di ML impiegato. I tipi di dati di input impiegati e come venivano annotati davano origine a diverse accuratezze. Nella sleeve gastrectomy laparoscopica sono stati testati due modelli di ML differenti raggiungendo un’accuratezza maggiore del 90% in entrambi. Viceversa in uno studio si è paragonato il medesimo modello di ML sia nella colecistectomia che nella chirurgia colorettale avendo una accuratezza rispettivamente del 74% per la colecistectomia e del 67% per la chirurgia colorettale. Gli autori hanno spiegato questo fenomeno con la maggior complessità della chirurgia colorettale e con la minor standardizzazione della procedura.

 

DIAPO 16

Dal primo studio pubblicato nel 2006 ad oggi la complessità dei modelli ML è aumentata. A questo fenomeno ha dato spunto anche il miglioramento della potenza dei calcolatori a disposizione.

Oggi il PR può essere fatto con buona accuratezza ma è molto influenzato dal modello di ML, dai dati di input e dalla complessità della procedura chirurgica e dalla ‘granularità’ delle fasi.

La colecistectomia laparoscopica è l’intervento maggiormente impiegato in quanto: standardizzato e molto diffuso, eseguito nel 95% dei casi per via mininvasiva con una basso tasso di conversione.

La colecistectomia ha tuttavia il difetto di essere non omogeneamente descritta in numero di fasi tuttavia il numero di ‘passaggi chiave’ è bene definito e basso.

 

DIAPO 17

Un basso numero di fasi teoricamente è più vantaggioso per ML perché ciascuna di esse ha un numero maggiore di dati da processare., tuttavia un alto numero di fasi contribuisce a una maggiora accuratezza e rilevanza clinica in quanto aumenta la granularità dell’intervento.

Nel futuro ‘surgical data’ e PR saranno utilizzati in vari ambiti:

  • Rivedere in breve tempo certi step di interventi precedenti
  • Creare materiale informativo ed educazionale per studenti e chirurghi in formazione
  • Detection di strutture ‘pericolose’ o margini tumorali anche con l’aiuto di realtà aumentata

Migliorare i percorsi intraospedalieri dei pazienti

 

DIAPO 18

 

La principale limitazione del ML è l’impiego di metodologia di ‘supervised learning’ con necessità di impiego del labeling dei dati.

Ad oggi tuttavia sono possibili metodi di annotazione parziale con solo limitata diminuzione dell’accuratezza.

Altro limite del ML è la necessità di ingenti quantità di dati che oggi è molto difficile da raccogliere.

Il Phase Recognition rimane tuttavia uno step imprescindibile per l’implementazione della IA in chirurgia con lo scopo di migliorare la qualità dell’assistenza sanitaria dei pazienti

 

DIAPO 19

Abbiamo chiesto di commentare questo articolo ad Prof. Alberto Arezzo segretario Generale della SICE e chiarman della technological commitee della EAES.

Nell’ultimo decennio, la ricerca sull’AI ha compiuto progressi straordinari nella risoluzione di problemi che sono rimasti aperti per molto tempo: comprensione delle immagini, comprensione e traduzione di testo e parlato, sistemi autonomi e di supporto decisionale; questo soprattutto grazie a modelli di apprendimento sempre più sofisticati da grandi masse di dati (big data), in combinazione con i continui progressi nelle tecnologie correlate come IoT (Internet of Things), mobile computing, machine intelligence.

L’intelligenza artificiale sta rapidamente diventando parte integrante della nostra vita quotidiana attraverso smartphone, dispositivi indossabili, assistenti personali digitali e robotici, veicoli con gradi di autonomia crescenti, città intelligenti, industria 4.0. Di fronte a queste grandi opportunità, ci sono dei limiti da superare e dei rischi da evitare o mitigare. L’obiettivo a cui tendere, fortemente voluto dalle istituzioni europee, è un’AI affidabile e sostenibile, finalizzata al beneficio della persona umana sia a livello individuale che sociale. È quindi importante sviluppare sistemi di AI avanzati che incorporino i valori etici europei, che siano in grado di comprendere gli esseri umani e adattarsi agli ambienti reali, interagire in situazioni sociali complesse e, in ultima analisi, espandere le capacità umane, soprattutto a livello cognitivo. Questa è una frontiera su cui l’Europa può eccellere, consapevole delle tante sfide ancora aperte.

Per cogliere le opportunità e superare i limiti, è quindi necessario operare su due direttrici in sinergia: da un lato, è fondamentale innovare, sperimentare e valutare l’applicazione dell’AI in settori strategici produttivi, scientifici e sociali, privilegiando inter- e approcci multidisciplinari. D’altro canto, gli sforzi di ricerca devono essere intensificati per affrontare i problemi scientifici e tecnologici aperti dei sistemi di AI, a livello di percezione, apprendimento, ragionamento e interazione.

Il riconoscimento automatico della fase chirurgica è un passaggio fondamentale per molte applicazioni diverse. In futuro, i dati chirurgici saranno probabilmente annotati e indicizzati automaticamente durante l’intervento, consentendo ai chirurghi di rivedere rapidamente alcune fasi delle operazioni precedenti mentre creano materiale educativo informativo e mirato per studenti e residenti. Il riconoscimento automatico della fase è un prerequisito per i sistemi di supporto alle decisioni cliniche che forniranno informazioni ai chirurghi relative alla fase e al corso effettivi dell’operazione. Tale supporto potrebbe essere la rappresentazione di strutture bersaglio o a rischio come margini, vasi o nervi tumorali attraverso sovrapposizioni di realtà aumentata.

Questa revisione fornisce una panoramica del Machine Learning per il riconoscimento automatico della fase chirurgica nelle procedure di chirurgia generale con 35 studi inclusi che riportano vari tipi di modelli Machine Learning e input di dati. Nonostante il numero crescente di studi nel campo del Machine Learning per il riconoscimento automatico della fase chirurgica, esistono ancora limitazioni nel campo; l’annotazione dei dati, in particolare, è un collo di bottiglia nel processo. Poiché l’apprendimento supervisionato è la metodologia dominante, i dati grezzi sono di scarsa utilità senza alcune annotazioni.

Il Machine Learning per il riconoscimento automatico della fase chirurgica è un argomento di ricerca in crescita con il potenziale per importanti innovazioni in futuro. Il riconoscimento automatico della fase chirurgica identifica le diverse fasi e passaggi di un’operazione attraverso input di dati come video o utilizzo dello strumento. Queste informazioni servono quindi a ottimizzare il flusso di lavoro, compresa l’assistenza intraoperatoria, l’automazione, la formazione chirurgica e la sicurezza del paziente. Per le operazioni con flussi di lavoro semplici e ben definiti, come la colecistectomia laparoscopica, il riconoscimento di fase automatizzato può essere eseguito con elevata precisione, sebbene l’analisi di procedure chirurgiche più complesse rimanga più impegnativa. È necessaria la raccolta di dati chirurgici pronti per l’analisi Machine Learning e per la standardizzazione delle fasi chirurgiche nell’annotazione del flusso di lavoro. Date le molteplici potenziali applicazioni della tecnologia, l’uso del Machine Learning nel campo della chirurgia andrà probabilmente a beneficio dei pazienti e completerà la conoscenza e l’esperienza dei chirurghi per consentire un’assistenza di qualità superiore e una migliore efficienza

 


Commento a cura di Emanuele Botteri (Montichiari-BS), Alberto Arezzo (Torino)

Buona visione a tutti.

Lascia un commento