约翰霍普金斯大学的研究人员正在利用机器学习的力量来改进 X 射线引导的骨盆骨折手术，这是一种治疗车祸中常见损伤的手术。

来自该大学怀廷工程学院和医学院的一组研究人员计划通过应用手术阶段识别(SPR)的优势来提高手术效率，SPR 是一种尖端的机器学习应用程序，涉及识别手术中的不同步骤。外科手术可提取有关工作流程效率、外科团队的熟练程度、错误率等方面的宝贵见解。

该团队上个月在第 26 届国际医学图像计算和计算机辅助干预会议上展示了其基于 X 射线的 SPR 驱动方法，称为Pelphix在温哥华举行

“我们的方法为手术辅助系统铺平了道路，使外科医生能够减少辐射暴露并缩短手术时间，以优化骨盆骨折手术，”研究小组成员本杰明·基林(Benjamin Killeen)说，他是计算机科学系的博士生，也是该系统的成员。先进机器人和计算增强环境 (ARCADE) 实验室。

SPR 为自动化手术辅助和技能分析系统奠定了基础，有望最大限度地提高手术室效率。虽然 SPR 通常分析手术期间拍摄的全彩色内窥镜视频，但迄今为止它忽略了 X 射线成像——这是许多手术中唯一可用的成像，例如骨科手术、介入放射学好处SPR 支持的进步。

尽管现代机器学习算法兴起，但由于处理 X 射线图像需要花费大量人力，因此仍然没有定期保存或分析它们。因此，为了开始将 SPR 应用于 X 射线引导手术，研究人员首先必须创建自己的训练数据集，利用合成数据和深度神经网络的力量，基于预先存在的注释数据库来模拟手术工作流程和 X 射线序列。 CT 扫描图像。他们模拟了足够的数据，成功训练了自己的机器学习驱动的 SPR 算法，专门用于 X 射线序列。