Визуальный анализ с применением глубокого обучения в лапароскопической хирургии: систематический обзор и метаанализ точности диагностических тестов

Введение: За последнее десятилетие глубокое обучение произвело революцию в обработке медицинских изображений. Эта технология может способствовать развитию лапароскопической хирургии. Целью исследования было оценить, способны ли сети глубокого обучения точно анализировать видеозаписи лапароскопических вмешательств.

Методы: Выполнен поиск в базах данных Medline, Embase, IEEE Xplore и Web of Science за период с января 2012 года по 5 мая 2020 года. В отобранных исследованиях оценивали модель глубокого обучения, а именно сверточные нейронные сети, для видеоанализа в лапароскопической хирургии. Сравнивали характеристики исследований, включая источник набора данных, тип операции, число видеозаписей и прикладную задачу прогнозирования. Для оценки объединенной чувствительности и специфичности компьютерных алгоритмов использовали модель случайных эффектов. Сводные кривые рабочей характеристики приемника рассчитывали с помощью бивариантной модели Рейтсмы.

Результаты: Из 508 найденных исследований 32 соответствовали критериям включения. Области применения включали распознавание и детекцию инструментов (45%), распознавание стадий операции (20%), распознавание и детекцию анатомических структур (15%), распознавание действий (13%), прогнозирование длительности операции (5%) и распознавание марли (3%). Наиболее часто изучали холецистэктомию (51%) и гинекологические операции — главным образом гистерэктомию и миомэктомию (26%). Всего проанализировали 3004 видеозаписи. В 2020 году количество публикаций в клинических журналах увеличилось по сравнению с публикациями в журналах по биоинформатике и вычислительным наукам. Четыре исследования предоставили достаточно данных для построения 8 таблиц сопряженности, что позволило рассчитать точность теста: объединенная чувствительность составила 0,93 (95% ДИ 0,85–0,97), а специфичность — 0,96 (95% ДИ 0,84–0,99). Однако в большинстве работ отмечался высокий риск систематической ошибки.

Выводы: Исследования в области глубокого обучения перспективны для лапароскопической хирургии, но методологически ограничены. Практикующие врачи могут способствовать развитию искусственного интеллекта в хирургии, в частности предоставляя стандартизированные визуальные базы данных и обеспечивая надлежащее представление результатов.