RSDNet : Apprendre à prédire la durée restante de la chirurgie à partir de vidéos laparoscopiques sans annotations manuelles

L'estimation précise de la durée de la chirurgie est nécessaire pour une planification optimale du bloc opératoire, ce qui joue un rôle important dans le confort et la sécurité des patients ainsi que dans l'optimisation des ressources. Cependant, il est difficile de prédire préopératoirement la durée de la chirurgie car elle varie considérablement en fonction de l'état du patient, des compétences du chirurgien et de la situation intraopératoire. Dans cet article, nous proposons une pipeline d'apprentissage profond, appelée RSDNet, qui estime automatiquement la durée restante de la chirurgie (RSD) en cours d'opération en utilisant uniquement des informations visuelles provenant de vidéos laparoscopiques. Les approches précédentes à la pointe de la technologie pour la prédiction de la RSD dépendent d'annotations manuelles, dont la génération nécessite des connaissances d'expert coûteuses et prend du temps, notamment compte tenu du grand nombre de types de chirurgies pratiquées dans un hôpital et du grand nombre de vidéos laparoscopiques disponibles. Une caractéristique cruciale de RSDNet est qu'il ne dépend d'aucune annotation manuelle lors de l'entraînement, ce qui le rend facilement évolutif à de nombreux types de chirurgies. La généralisabilité de notre approche est démontrée en testant la pipeline sur deux grands ensembles de données contenant différents types de chirurgies : 120 vidéos de cholécystectomie et 170 vidéos de pontage gastrique. Les résultats expérimentaux montrent également que le réseau proposé surpasse significativement une méthode traditionnelle d'estimation de la RSD sans utiliser d'annotations manuelles. De plus, cet article fournit un aperçu plus approfondi du réseau d'apprentissage profond à travers la visualisation et l'interprétation des caractéristiques qui sont automatiquement apprises.