Extendable Artificial Intelligence for Surgical Phase Recognition in Medical Systems

Kontext

Bereits 2016 diskutierten Chirurgen um Feußner et al. das Konzept von Assistenzsystemen für Chirurgen – analog zu der Unterstützung, die Piloten durch Avionik-Systeme während des Flugs erhalten. Um eine solche Assistenz zu ermöglichen, muss ein Assistenzsystem zunächst die aktuelle Situation im Operationssaal verstehen, bevor es bestimmt, wie der Chirurg im nächsten Schritt unterstützt werden kann. Während KI eine starke Fähigkeit zur Verarbeitung von Sensordaten gezeigt hat, ist sie auf einen bekannten, abgegrenzten Basisdatensatz angewiesen.

Im medizinischen Bereich weisen chirurgische Eingriffe zwar gemeinsame Ausführungsschritte auf, unterscheiden sich jedoch zwischen medizinischen Zentren. Zudem unterliegen chirurgische Verfahren einer kontinuierlichen Verbesserung, was zu Änderungen der Verfahrensweise führt und eine Anpassung der KI-Modelle über deren gesamten Lebenszyklus erfordert.

Das Erweitern vortrainierter KI-Modelle ist eine anspruchsvolle Aufgabe, die sich über verschiedene Anwendungsbereiche erstreckt. Wenn der Basisdatensatz um unterschiedliche chirurgische Schritte oder Instrumente erweitert wird, kann das Modell zuvor gelernte Informationen vergessen oder alte und neue Informationen vermischen. In sicherheitskritischen Anwendungen, in denen eine zuverlässige Leistung gewährleistet sein muss, führt dies zu der Notwendigkeit einer Neuzertifizierung des KI-Modells – ein zeit- und kostenintensiver Prozess.

Durch das Hinzufügen von Garantien könnte der kürzlich vorgeschlagene Ansatz Prototype Replay with Interference-Suppressed Magnitude-freezing (PRISM) aus dem Fahrzeugbereich auch eine vielversprechende Grundlage für den medizinischen Bereich bieten. PRISM stellt sicher, dass nach der Erweiterung des Modells um neue Klassen die Rangfolge der Wahrscheinlichkeiten zwischen den Basisklassen unverändert bleibt. Das bedeutet, dass eine Basisklasse nach dem Erweiterungsschritt niemals mit einer anderen Basisklasse verwechselt wird. Zudem erfordert PRISM die ursprünglichen Trainingsdaten im Erweiterungsschritt nicht, was einen bedeutenden Vorteil in Bezug auf Datenschutz und Speicheranforderungen darstellt. Dies ist besonders im medizinischen Bereich vorteilhaft, wo Patientendaten sensibel sind und oft nicht frei geteilt werden können. Allerdings kann es in einigen Fällen vorkommen, dass Erweiterungs-Klassen die Rangfolge der Wahrscheinlichkeiten dennoch falsch beeinflussen, sodass eine Basisklasse mit einer Erweiterungs-Klasse verwechselt wird oder umgekehrt.

Ziele

• Analyse des Stands der Technik zur Erkennung und Klassifikation chirurgischer Phasen, einschließlich der verwendeten Sensordaten 

• Analyse und Vergleich bestehender Ansätze zur Absicherung erweiterbarer KI-Modelle, allgemein und im medizinischen Kontext 

• Untersuchung der Anwendbarkeit von PRISM auf die Erkennung chirurgischer Phasen sowie der dafür notwendigen Anpassungen 

• Entwicklung einer Erweiterung von PRISM zur Berücksichtigung zeitlicher Abhängigkeiten in Klassifikationsproblemen, etwa durch Anpassung von Backbone und Klassifikationskopf 

• Bewertung des erweiterten Ansatzes anhand von Aufgaben zur Klassifikation chirurgischer Phasen 

• Optional: Identifikation von Anpassungen zur zusätzlichen Erkennung chirurgischer Aktionen innerhalb der jeweiligen Phase

Voraussetzungen

• Basis Verständnis von künstlicher Intelligenz und deren Limitationen
• Programmierkenntnisse in Python und Verwenden von GPUs (CUDA)
• Vertrautheit mit wissenschaftlichem Arbeiten und Literaturrecherche und Verstehen von Standards
• Bereitschaft zur Einarbeit in die Medizinische Regulatorik