[论文解读] Surgical data science for safe cholecystectomy: a protocol for segmentation of hepatocystic anatomy and assessment of the critical view of safety

Pietro Mascagni, Deepak Alapatt+6 more|arXiv (Cornell University)|Jun 21, 2021

Colorectal Cancer Screening and Detection参考文献 17被引用 9

一句话总结

本文提出了一种用于腹腔镜胆囊切除术手术视频分析的标准化标注协议，重点关注肝胆系统解剖结构的分割以及安全关键视图（CVS）的评估。通过提供详细的检查清单、视觉示例和一致的标注指南，作者实现了可靠、可复现且多中心的深度学习数据集构建，从而提升了模型的泛化能力，并推动了手术安全领域的临床转化。

ABSTRACT

Minimally invasive image-guided surgery heavily relies on vision. Deep learning models for surgical video analysis could therefore support visual tasks such as assessing the critical view of safety (CVS) in laparoscopic cholecystectomy (LC), potentially contributing to surgical safety and efficiency. However, the performance, reliability and reproducibility of such models are deeply dependent on the quality of data and annotations used in their development. Here, we present a protocol, checklists, and visual examples to promote consistent annotation of hepatocystic anatomy and CVS criteria. We believe that sharing annotation guidelines can help build trustworthy multicentric datasets for assessing generalizability of performance, thus accelerating the clinical translation of deep learning models for surgical video analysis.

研究动机与目标

• 建立腹腔镜胆囊切除术视频中肝胆系统解剖结构及安全关键视图（CVS）标注的一致性实践。
• 提升基于手术视频数据训练的深度学习模型的可靠性、可复现性与泛化能力。
• 通过提供详细的指南、检查清单和视觉示例，支持多中心数据收集，实现一致的标注。
• 通过可信且高质量的数据集，加速手术视频分析模型的临床转化。
• 解决外科学数据科学中对标准化数据的迫切需求，特别是减少胆囊切除术中胆管损伤的风险。

提出的方法

• 开发全面的标注协议，包含用于识别和标注腹腔镜胆囊切除术视频中关键解剖结构的详细检查清单。
• 整合视觉示例和标注参考图像，以实现不同标注者及机构间解读的一致性。
• 明确定义安全关键视图（CVS）的评估标准，包括两个管道和一个血管的存在，以及正确的解剖方位。
• 采用与深度学习兼容的数据格式，确保与现有视频分析流程和模型训练框架的兼容性。
• 通过结构化指南强调评分者间的一致性，减少在复杂手术场景中标注的主观性。
• 以版本化方式发布协议（v1至v2），根据反馈进行小幅修订，确保迭代改进与实用性。

实验结果

研究问题

• RQ1 如何在多个外科中心之间实现肝胆系统解剖结构标注的一致性与可靠性？
• RQ2 哪些具体标准和视觉线索可定义腹腔镜胆囊切除术视频中的安全关键视图（CVS）？
• RQ3 标准化标注指南在多大程度上能提升手术视频分析中深度学习模型的可复现性与泛化能力？
• RQ4 如何利用共享协议和检查清单，构建高质量的多中心数据集？
• RQ5 视觉示例和结构化检查清单在减少手术视频标注中评分者间差异方面发挥何种作用？

主要发现

• 该协议为腹腔镜胆囊切除术视频中肝胆系统解剖结构及安全关键视图（CVS）的标注提供了全面的标准化框架。
• 视觉示例和结构化检查清单的引入显著减少了标注中的模糊性，增强了评分者间的一致性。
• 该协议支持构建高质量、多中心的数据集，这对于训练稳健且具备泛化能力的深度学习模型至关重要。
• v2版本的协议基于反馈进行了小幅修订，提升了对临床与研究团队的清晰度与可用性。
• 作者证明，标准化标注是实现可信的外科学数据科学以及人工智能模型临床转化的关键推动因素。
• 该协议已公开共享，并附带代码链接，促进了透明度、可复现性，并推动了在手术研究社区中的采纳。