دقت کامپیوتر نسبت به جراحان برتری دارد
شناسایی استخوان ها و بافت های ستون فقرات که قبلاً در بدن بیمار قرار داده شده است، زمانی که بیمار به جراحی تجدید نظر نیاز دارد، می تواند دشوار و وقت گیر باشد.
هنگامی که بیماران به پزشک دیگری ارجاع می شوند یا ممکن است اطلاعات کافی و روشن در یادداشت های جراحی وجود نداشته باشند، وجود اطلاعات دقیق در مورد مدل و نوع ایمپلنت بسیار حیاتی خواهد بود. برای غلبه بر این چالش، محققان با یک رویکرد یادگیری ماشین، بینایی کامپیوتری را توسعه دادند که با دقت و کارآمدی ایمپلنت های قبلی را شناسایی می کند.
در این راستا، دکتر الکساندر ای. راپر (Alexander E. Ropper) و همکارانش برای ساخت طبقه بندی کننده بینایی کامپیوتری خود از ۱۰۷۲ رادیوگرافی استفاده کردند که نماهای بعد از عمل را به طور دقیق نشان می داد. هر تصویر با بخش کاشته شده برچسب گذاری شد و یک تکنیک تصویری از کلمات با استفاده از فن آوری تشخیص ویژگی KAZE برای پشتیبانی بینایی کامپیوتری استفاده شد. میزان دقت برای طبقه بندی دو سیستم متداول برای تصاویر جانبی، قدامی و ترکیبی به ترتیب ۹۳.۱۵، ۸۸.۹۸ و ۹۱.۰۸ درصد بود.
در ادامه اتفاق جالبی افتاد و طی آن مدل بینایی کامپیوتری از دو جراح شرکت کننده، هم در دقت و هم در زمان تکمیل بهتر عمل کرد. مدل بینایی کامپیوتری با دقت ۷۹ درصد در مقابل ۴۴ درصد دقت جراحان پیشی گرفت و در زمان هم این رقابت ۱۴ ثانیه برای کامپیوتر در مقابل ۲۰ دقیقه برای پزشکان بود. مراحل بعدی برای بهبود دقت مدل شامل افزایش تعداد تصاویر در هر سازنده برای اطمینان از توزیع یکنواخت است.
دکتر راپر در خاتمه گفت: این مدل یادگیری ماشین بینایی کامپیوتری می تواند به جراحان در برنامه ریزی ترکیب ابزاری کمک کند. با شناسایی دقیق و سریع سخت افزار موجود بر اساس رادیوگرافی های استاندارد قبل از جراحی مجدد، هم جراحان و هم کارکنان اتاق عمل آمادگی بیشتری برای برداشتن یا اصلاح عضو کاشته شده خواهند داشت.
شرح کامل این مطالعه و یافته های حاصل از آن در آخرین شماره مجله تخصصی Journal of Neurosurgery: Spine منتشر شده است.