Automatizando a Segurança na Cirurgia da Vesícula Biliar

A colecistectomia, uma cirurgia comum para remover a vesícula biliar, é feita mais de 1,2 milhão de vezes por ano nos EUA. O método preferido hoje em dia é a colecistectomia laparoscópica (LC), que tem tempos de recuperação mais curtos do que a cirurgia aberta. Porém, esse método vem com riscos, especialmente lesões nos ductos biliares (BDIs), que podem causar sérios problemas para os pacientes. O principal problema que causa essas lesões durante a cirurgia é a confusão entre o ducto cístico e o ducto biliar.

Para reduzir essas lesões, os cirurgiões usam um procedimento de segurança chamado Critical View of Safety (CVS). Essa técnica envolve atender a certos critérios durante a cirurgia para garantir que os ductos sejam identificados corretamente. Apesar desse protocolo ser conhecido há bastante tempo, a taxa de BDIs não diminuiu significativamente. Isso se deve em grande parte à má implementação e compreensão dos critérios CVS entre muitos cirurgiões.

#A Necessidade de Automação

Nosso objetivo é automatizar a avaliação do CVS durante a colecistectomia laparoscópica. Fazendo isso, esperamos diminuir o número de BDIs. Imaginamos uma ajuda cirúrgica de IA que possa avaliar o CVS em tempo real durante a cirurgia. Ela não apenas identificaria problemas de segurança, mas também ajudaria a guiar os cirurgiões através das mudanças necessárias para evitar erros. Além disso, poderia oferecer treinamento por meio de análises em vídeo para aprimorar as habilidades cirúrgicas e o conhecimento sobre o CVS.

O desafio que enfrentamos é a falta de dados de treinamento suficientes para ensinar os modelos de aprendizado de máquina. Existem apenas algumas centenas de vídeos de cirurgia adequados disponíveis, o que não é suficiente para modelos que normalmente precisam de milhões de exemplos. Além disso, avaliar o CVS é complicado devido a estruturas sobrepostas e muitas texturas encontradas em vídeos de cirurgia.

#Nossa Abordagem

Para enfrentar esses desafios, desenvolvemos novas técnicas que incorporam conhecimento especializado da área médica enquanto também lidam com a quantidade limitada de dados de treinamento. Nosso método envolve a combinação de dois mapas de Segmentação diferentes para focar em estruturas anatômicas importantes ao redor da vesícula biliar. Depois disso, determinamos se os critérios do CVS são atendidos usando um sistema de avaliação baseado em regras com base nas estruturas identificadas.

Realizamos testes comparando nossa abordagem de segmentação semântica de duas correntes com métodos tradicionais. Os resultados mostraram um aumento significativo na precisão. Por exemplo, alcançamos mais de 11,8% de melhoria nas medições das classes relevantes em comparação com uma abordagem de modelo único. Nossa nova função de perda ainda melhorou os resultados em 1,84% em relação a um modelo básico.

#Contexto da Colecistectomia

Uma colecistectomia é necessária quando a vesícula biliar fica inflamada ou infectada. A versão laparoscópica dessa cirurgia é minimamente invasiva e permite que os pacientes se recuperem mais rápido em comparação com a cirurgia aberta. No entanto, foi observado que esse método aumenta a chance de lesões nos ductos biliares. Essas lesões costumam ocorrer porque os cirurgiões têm uma visão limitada durante o procedimento, aumentando o risco de identificar incorretamente as estruturas anatômicas.

Os BDIs podem levar a complicações sérias para os pacientes, incluindo taxas de mortalidade mais altas e aumento dos custos com saúde. Portanto, a técnica CVS foi introduzida para ajudar a identificar corretamente o ducto cístico e reduzir as taxas de BDI. Apesar do protocolo ser eficaz, muitos cirurgiões não o implementaram corretamente, levando à continuidade dos incidentes de lesões.

#Critical View of Safety (CVS)

A técnica CVS é baseada em três critérios específicos. Se esses critérios forem atendidos, os cirurgiões podem ter certeza de que estão olhando para as estruturas corretas durante o procedimento. O primeiro critério exige que não haja gordura ou tecido fibrótico presente na área de foco. O segundo critério verifica a presença significativa da placa cística na região identificada. Finalmente, o terceiro critério garante que exatamente um agrupamento de pixels do ducto cístico e um do pixel da artéria cística sejam visíveis na área avaliada.

Apesar das evidências que apoiam a eficácia do CVS, as taxas de BDI não diminuíram. As principais razões para isso incluem a implementação insuficiente do protocolo e o entendimento fraco dos critérios pelos cirurgiões. Alguns cirurgiões também podem se sentir excessivamente confiantes devido às baixas taxas de lesões relatadas, o que pode levar a negligenciar os protocolos adequados durante a cirurgia.

#Desafios na Avaliação Automatizada

A raridade dos BDIs em Cirurgias laparoscópicas torna desafiador desenvolver um sistema de detecção que mantenha alta precisão. Dado que a incidência de BDI é de apenas 0,36% a 1,5%, uma técnica de detecção bem-sucedida precisa alcançar melhor do que 90% de precisão para diminuir significativamente essa taxa. A quantidade limitada de dados de treinamento disponíveis representa uma barreira significativa, já que métodos tradicionais exigem amostras extensas, o que não é possível neste contexto.

Incorporar conhecimento clínico de maneira eficaz em modelos de aprendizado de máquina é complexo, mas necessário. Esse conhecimento pode melhorar muito a precisão dos algoritmos quando feito corretamente.

#Visão Geral do Método

Nosso método incorpora conhecimento de domínio enquanto gerencia as limitações impostas pela inadequação dos dados de treinamento. O processo começa com a segmentação de imagens de vídeos de cirurgia usando dois modelos diferentes. Cada modelo ajuda a identificar as principais estruturas anatômicas, e esses mapas são combinados para melhorar o resultado.

Para determinar a área de interesse, marcadores anatômicos específicos são usados. Enfatizamos a importância do triângulo hepatocístico, uma área crítica onde se encontram o ducto e a artéria císticos. Usando um conjunto de regras definidas com base na compreensão clínica, avaliamos a região de interesse de forma eficaz.

Nossa contribuição inclui uma abordagem de duas correntes para melhorar a segmentação e uma nova função de perda destinada a reduzir erros nas bordas. Aplicando essa combinação, conseguimos identificar melhor as estruturas necessárias para a avaliação do CVS.

#Técnicas de Segmentação

Para nossa segmentação, utilizamos um conjunto de dados público com imagens de cirurgias de LC. Porém, o conjunto de dados carecia de certas classes importantes necessárias para nossa avaliação, levando-nos a criar um conjunto de dados adicional com estruturas essenciais anotadas, incluindo a placa cística e a artéria cística.

Treinando modelos separados nesses conjuntos de dados, obtivemos resultados melhores em comparação com o uso de um único modelo. A abordagem de duas correntes nos permite focar nas classes críticas que são vitais para uma avaliação precisa do CVS.

#Avaliando a Região de Interesse

Em procedimentos laparoscópicos, o foco está principalmente no triângulo hepatocístico, onde estruturas vitais são encontradas. Durante a cirurgia, essa área pode nem sempre estar totalmente visível devido às técnicas do cirurgião, levando a uma visão parcial do triângulo.

Desenvolvemos um método para definir a região de interesse (ROI) como uma forma quadrilateral baseada em marcos anatômicos. Essa abordagem nos permite estimar pontos-chave correspondentes ao ducto cístico e à artéria de forma eficaz, garantindo uma avaliação clara dos critérios do CVS.

#Avaliando os Critérios do CVS

Nossa avaliação do CVS envolve verificar os três principais critérios em relação aos mapas segmentados. Para determinar se o primeiro critério é atendido, garantimos que não haja pixels de gordura presentes e que os pixels do fígado excedam um certo limite de tamanho. Para o segundo critério, verificamos o tamanho da placa cística. Finalmente, o terceiro critério avalia a presença de agrupamentos distintos de pixels do ducto cístico e da artéria.

Ao avaliar sistematicamente essas condições, podemos determinar se o CVS foi alcançado com base na área avaliada e nas estruturas anatômicas segmentadas.

#Resultados

Nosso pipeline de testes gerou um novo conjunto de avaliação que incluiu uma variedade de quadros de cirurgias de LC. Usando esse conjunto, conseguimos verificar a qualidade de nossos modelos de segmentação e avaliar sua eficácia em identificar condições do CVS.

Os resultados mostraram uma melhoria significativa na precisão ao comparar nosso método baseado em regras com técnicas tradicionais. Os dados indicaram que nossa abordagem alcançou melhores resultados, o que poderia levar a menos BDIs em configurações cirúrgicas reais.

#Conclusão

Em resumo, nosso trabalho visa aumentar a segurança de procedimentos de colecistectomia laparoscópica automatizando a avaliação do Critical View of Safety. Integrando técnicas avançadas de segmentação com métodos informados clinicamente, esperamos fornecer aos cirurgiões um sistema confiável que ajuda na identificação precisa de estruturas críticas durante a cirurgia. Esta inovação pode potencialmente levar a uma diminuição nas lesões dos ductos biliares e melhorar a segurança geral dos pacientes e os resultados cirúrgicos. O trabalho futuro se concentrará em aprimorar esses métodos e desenvolver mecanismos de segurança para garantir a confiabilidade do sistema durante as cirurgias.