PitRSDNet: Predicting Intra-operative Remaining Surgery Duration in Endoscopic Pituitary Surgery

要約

正確な術中の残り手術時間 (RSD) 予測により、麻酔科医は麻酔薬や薬物をいつ投与するかをより正確に決定できるようになり、病院スタッフに次の患者を送るように通知することができます。
したがって、RSD は、効率的なスケジュール設定を通じて患者ケアを改善し、手術室のコストを最小限に抑える上で重要な役割を果たします。
内視鏡下垂体手術では、オプションのステップの選択によるワークフローの順序が変化するため、手術時間が大幅に変動するため、独特の困難を伴います。
この論文では、下垂体手術中の RSD を予測するための PitRSDNet について説明します。これは、ワークフロー シーケンスに焦点を当てた履歴データから学習する時空間ニューラル ネットワーク モデルです。
PitRSDNet は、ワークフローの知識を 2 つの形式で RSD 予測に統合します。1) ステップと RSD を同時に予測するためのマルチタスク学習。
2) 時間的な学習と推論のコンテキストとして以前のステップを組み込む。
PitRSDNet は、88 本のビデオを含む新しい内視鏡下垂体手術データセットに基づいてトレーニングおよび評価され、以前の統計および機械学習手法と比べて競争力のあるパフォーマンスの向上が示されています。
この調査結果は、PitRSDNet が以前のステップの知識を利用して異常値の場合の RSD 精度をどのように向上させるかにも焦点を当てています。

要約(オリジナル)

Accurate intra-operative Remaining Surgery Duration (RSD) predictions allow for anaesthetists to more accurately decide when to administer anaesthetic agents and drugs, as well as to notify hospital staff to send in the next patient. Therefore RSD plays an important role in improving patient care and minimising surgical theatre costs via efficient scheduling. In endoscopic pituitary surgery, it is uniquely challenging due to variable workflow sequences with a selection of optional steps contributing to high variability in surgery duration. This paper presents PitRSDNet for predicting RSD during pituitary surgery, a spatio-temporal neural network model that learns from historical data focusing on workflow sequences. PitRSDNet integrates workflow knowledge into RSD prediction in two forms: 1) multi-task learning for concurrently predicting step and RSD; and 2) incorporating prior steps as context in temporal learning and inference. PitRSDNet is trained and evaluated on a new endoscopic pituitary surgery dataset with 88 videos to show competitive performance improvements over previous statistical and machine learning methods. The findings also highlight how PitRSDNet improve RSD precision on outlier cases utilising the knowledge of prior steps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google