Como o aprendizado profundo tem sido aplicado no reconhecimento de fluxos de trabalho cirúrgicos e quais os desafios para sua implementação clínica?
Resposta curta: O aprendizado profundo, com redes neurais, transformers e RNN, tem sido amplamente adotado para reconhecer fases cirúrgicas em vídeos de cirurgias minimamente invasivas. A revisão sistemática identificou que sequências temporais e espaciais são cruciais, e que a anotação de dados ainda é um desafio, com métodos semi-supervisionados e de transferência para reduzir custos.
Resposta
A revisão sistemática analisou a literatura sobre modelagem de processos cirúrgicos com aprendizado profundo, com foco no reconhecimento de fluxos de trabalho em cirurgias minimamente invasivas. Foram incluídos 59 artigos após triagem de 2937 resultados, abrangendo publicações de 2018 a abril de 2024. Os estudos destacam a adoção generalizada de redes neurais e transformers para análise de fluxo de trabalho cirúrgico, especialmente em procedimentos laparoscópicos e microscópicos.
Os achados indicam que sequências temporais e espaciais são fatores-chave para identificar fases cirúrgicas. Redes recorrentes (RNN), redes temporais convolucionais (TCN) e transformers são comumente usadas para extrair relações temporais de longa distância. A entrada de dados multimodal, combinando informações de instrumentos cirúrgicos, é benéfica para melhorar a precisão do reconhecimento.
No entanto, o processo de anotação cirúrgica carece de descrição detalhada e apresenta diferenças significativas entre procedimentos. Além disso, conjuntos de dados públicos frequentemente carecem de conhecimento clínico, e estabelecer grandes bases de dados anotadas continua sendo um desafio. Para mitigar os custos de anotação, métodos como aprendizado semi-supervisionado, auto-supervisionado, contrastivo, transferência e ativo são comumente empregados.
A revisão conclui que o aprendizado profundo avança o desenvolvimento de sistemas inteligentes sensíveis ao contexto em cirurgias endoscópicas, mas a falta de padronização na anotação e a escassez de dados clínicos anotados limitam a aplicação clínica generalizada. O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos ou meta-análise.
O que o estudo mostrou
Revisão sistemática que buscou artigos sobre modelagem de processos cirúrgicos nas bases PubMed, Web of Science, Google Scholar e IEEE Xplore, de 2018 a abril de 2024. Inicialmente 2937 artigos foram encontrados; após filtragem, 59 foram selecionados para revisão de texto completo. Os estudos mostram ampla adoção de redes neurais e transformers para análise de fluxo de trabalho cirúrgico, com foco em cirurgias minimamente invasivas laparoscópicas e microscópicas. Sequências temporais e espaciais são fatores-chave para identificação de fases. Entrada multimodal é benéfica. A anotação cirúrgica carece de detalhamento e há diferenças entre procedimentos. Métodos semi-supervisionados, auto-supervisionados, contrastivos, transferência e ativo são usados para reduzir custos de anotação.
Limitações
O resumo não informa a qualidade metodológica dos estudos incluídos, nem se houve avaliação de risco de viés. Também não detalha as características das amostras ou dos conjuntos de dados utilizados. A heterogeneidade nas definições de anotação e nos procedimentos cirúrgicos pode limitar a comparabilidade dos resultados. Não são apresentadas métricas de desempenho agregadas ou meta-análise.
Aplicação no consultório
Para o médico que atua em cirurgia minimamente invasiva, os achados indicam que sistemas de reconhecimento de fluxo cirúrgico baseados em aprendizado profundo podem, no futuro, apoiar a documentação automática e a tomada de decisão intraoperatória. No entanto, a falta de datasets padronizados e com conhecimento clínico limita a implementação imediata. Na gestão do consultório, é importante acompanhar o desenvolvimento dessas tecnologias e considerar parcerias para coleta estruturada de dados cirúrgicos, visando treinar modelos mais robustos e aplicáveis à realidade local.
Estudo citado
Deep learning in surgical process modeling: A systematic review of workflow recognition. Journal of biomedical informatics, 2025.
Autores: Liu Z, Chen K, Wang S, Xiao Y, Zhang G.
DOI: 10.1016/j.jbi.2025.104779 · PubMed: PMID 39832608
Perguntas para aprofundar
- Quais são os principais métodos de aprendizado profundo utilizados para reconhecer fases cirúrgicas em vídeos de cirurgia laparoscópica?
- Como a anotação de dados cirúrgicos pode ser padronizada para melhorar a generalização dos modelos de aprendizado profundo?
- Quais estratégias de aprendizado semi-supervisionado e transferência têm sido empregadas para reduzir o custo de anotação em modelagem de processos cirúrgicos?
Mais sobre IA em cirurgia e robótica
- Modelos de inteligência artificial aplicados a vídeos intraoperatórios conseguem identificar fases cirúrgicas, instrumentos e estruturas anatômicas com que desempenho?
- A segmentação automática de múltiplos órgãos com aprendizado profundo é uma realidade na prática clínica?
- Quais desfechos e metodologias são utilizados em modelos de predição por aprendizado de máquina em cirurgia ortopédica?
- Como os algoritmos de aprendizado de máquina têm sido aplicados ao suporte à decisão clínica em neurocirurgia e qual o desempenho relatado?
- A inteligência artificial aplicada à colonoscopia melhora a análise de pólipos colorretais?
Todas as perguntas sobre IA em cirurgia e robótica · Todos os temas · Versão em markdown