深度学习技术识别喉返神经在经腋窝腔镜甲状腺手术中的探索

作者：花苏榕; 王智弘; 高俊义; 王晶; 贺光琳; 韩显林; 陈革; 廖泉^*

来源：中华内分泌外科杂志, 2022, 16(01).

• 喉返神经
• 腔镜甲状腺手术
• 人工智能
• 深度学习

目的喉返神经(recurrent laryngeal nerve, RLN)是腔镜甲状腺手术中需重点识别和保护的结构。本研究旨在探索深度学习技术识别RLN在经腋窝入路腔镜甲状腺手术中的应用价值。方法收集2020年7月1日至2021年5月1日在北京协和医院基本外科操作的, 留存了完整视频资料的经腋窝入路腔镜甲状腺手术录像。两位资深甲状腺外科医师选取其中包含RLN的视频片段, 经过训练的标注人员对RLN的轮廓进行描绘标注, 并经两位甲状腺外科医师审校确认。视频资料用随机数方法按照5∶1的比例分为训练集及测试集, 并根据RLN与周围组织的辨识度分为高、中、低辨识度。采用基于PSPNet的语义分割模型进行训练, 使用ResNet50作为主干网络提取特征, 同时结合金字塔池化模型融合多尺度特征, 最终根据交并比(insertion over union, IOU)评判深度学习神经网络对RLN具体位置预测的能力。所有资料使用R 4.0.2版本分析。结果共38个视频中累计35 501帧图像纳入本研究, 其中32个视频共29 704帧图像作为训练集, 6个视频共5 797帧图像作为测试集。当IOU阈值设为0.1时, 模型在高、中、低辨识度组中的灵敏度和精确率分别达到了100.0%/92.1%、95.8%/80.2%及81.0%/80.6%。而当IOU阈值提高到0.5时(代表有效定位RLN), 灵敏度和精确率则分别为92.6%/85.3%、71.7%/60.5%及38.1%/37.9%。这说明本模型在辨识度中高时可很好地提示RLN的位置和走行。漏检通常因目标过小、边界不明确所致。结论基于深度学习的人工智能RLN识别在腔镜甲状腺手术视频中是可行的, 有潜在的应用价值, 有可能帮助外科医生降低手术中误损伤风险, 提高手术安全性。

• 单位
  中国医学科学院北京协和医学院; 中国医学科学院北京协和医院; 杭州海康威视数字技术股份有限公司