Feature Mixing Approach for Detecting Intraoperative Adverse Events in Laparoscopic Roux-en-Y Gastric Bypass Surgery

要約

出血や熱損傷などの術中の有害事象（IAE）は、検出されない場合、重度の術後合併症につながる可能性があります。
ただし、それらの希少性は非常に不均衡なデータセットをもたらし、AIベースの検出と重大度の定量化の課題をもたらします。
ベータ分布ベースの混合アプローチを介してこれらの課題に対処する新しいディープラーニングモデルであるベタミクサーを提案し、離散IAEの重症度スコアを正確な重大度回帰（0-5スケール）の連続値に変換します。
Betamixerは、ベータ配布ベースのサンプリングを採用して、過小評価されたクラスを強化し、中間埋め込みを正規化して構造化された機能空間を維持します。
生成アプローチは、特徴空間をIAEの重症度をサンプリングし、変圧器を介して堅牢な分類と重大度回帰を可能にします。
IAEラベルで拡張したMultiByPass140データセットで評価されたBetamixerは、0.81の重み付けF1スコア、0.81、PPV 0.73、および0.84のNPVを達成し、不均衡なデータの強力なパフォーマンスを示します。
ベータ分布ベースのサンプリング、特徴の混合、および生成モデリングを統合することにより、ベタミクサーは、臨床設定でのIAEの検出と定量化のための堅牢なソリューションを提供します。

要約(オリジナル)

Intraoperative adverse events (IAEs), such as bleeding or thermal injury, can lead to severe postoperative complications if undetected. However, their rarity results in highly imbalanced datasets, posing challenges for AI-based detection and severity quantification. We propose BetaMixer, a novel deep learning model that addresses these challenges through a Beta distribution-based mixing approach, converting discrete IAE severity scores into continuous values for precise severity regression (0-5 scale). BetaMixer employs Beta distribution-based sampling to enhance underrepresented classes and regularizes intermediate embeddings to maintain a structured feature space. A generative approach aligns the feature space with sampled IAE severity, enabling robust classification and severity regression via a transformer. Evaluated on the MultiBypass140 dataset, which we extended with IAE labels, BetaMixer achieves a weighted F1 score of 0.76, recall of 0.81, PPV of 0.73, and NPV of 0.84, demonstrating strong performance on imbalanced data. By integrating Beta distribution-based sampling, feature mixing, and generative modeling, BetaMixer offers a robust solution for IAE detection and quantification in clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google