基于深度学习的导管室冠状动脉造影（CAG）工作流程阶段自动识别研究

《BMC Biomedical Engineering》：Automated phase recognition in the cardiac catheterization laboratory with deep learning

　　

摘要专业翻译 背景：心脏导管室的高效工作流程对于保障医疗质量和维持医疗可负担性至关重要。对诊断性冠状动脉造影（CAG）进行自动化手术过程监测，有望提升工作流程效率、减少非临床工作负担并优化排程。本研究旨在利用在真实世界数据集上训练的深度学习模型，自动分类CAG的工作流程阶段。 方法：研究人员通过一项观察性研究收集了数据集，该数据集整合了视频录制的CAG、临床数据和系统日志数据。每个手术阶段均由医生根据临床相关的关键时间点进行标注。采用Scaled-YOLOv4目标检测算法从视频图像中提取特征。研究人员在整合的时间序列数据上实施了长短期记忆网络（LSTM）和LSTM-全卷积网络（LSTM-FCN）以分类工作流程阶段。分类准确率根据阶段持续时间进行加权。 结果：研究获取了包含222例CAG手术的视频、临床和日志数据的数据集。LSTM模型的阶段分类加权准确率达到91.3%，而LSTM-FCN模型为90.8%。经统计学比较，两种模型之间未发现显著差异。然而，LSTM网络训练速度快2.2倍，且所需参数减少约40%。 结论：本研究证明了在真实世界整合数据集上部署深度学习模型以自动检测CAG阶段、准确率超过90%的潜力。两种模型的性能无统计学显著差异，但LSTM模型相比LSTM-FCN所需训练时间更少。因此，研究人员建议将这些模型用于基于复合数据集的阶段识别任务。鉴于这些深度学习技术令人瞩目的准确性，自动阶段识别可能成为动态排程优化的基石，并提升未来医院的运营效率。

论文解读文章

一、研究背景与意义

随着医疗需求持续增长以及合格医护人员短缺导致的工作负荷加重，医疗系统面临的压力日益增大。尤其在心脏病学领域，预计到2040年冠状动脉疾病发病率将上升40%，这将对心脏导管室（cath lab）实践造成巨大压力，而导管室是微创心脏手术的主要治疗单元。提升导管室效率对于应对这一前景至关重要。另一方面，行政任务等非临床工作负荷可能分散医护人员对关键临床操作的注意力，引入自动化支持有助于工作人员更专注于临床实践。

既往研究多聚焦于缩短导管室“门-球囊时间”（door-to-balloon time），例如引入精益六西格玛理念或通过紧急医疗服务系统提前激活导管室。尽管这些方法有所帮助，但仍部分依赖人工排程和规划。在外科领域，手术过程建模（SPM）已被证明有助于理解手术进程并预测结束时间。近年来，人工智能算法增强了这些工作流计算的能力，使其可能适用于临床实时应用。然而，既往研究要么聚焦于利用腹腔镜视频图像建模手术的特定部分，要么使用模拟数据建模手术阶段，这些数据源无法提供整个工作流程的概览，或可能无法代表真实的临床活动。尽管手术过程建模备受重视，但导管室实际工作流程的建模仍未得到充分探索，而这一时间关键的环境可能最能从工作流程效率的进步中获益。

本研究旨在通过结合不同的真实世界数据源，包括视频、日志和临床数据，利用最先进的深度学习算法自动识别心脏导管插入术中的阶段。这是开发结构化管理和改进导管室工作流程工具的第一步，最终支持开发计算方法和计算机辅助方法，以实现工作流程监测自动化、减少非临床工作负荷并优化排程。

二、研究设计与关键技术方法

研究人员在荷兰Reinier de Graaf医院开展了一项观察性研究，收集了297例冠状动脉造影（CAG）手术的数据，最终纳入222例完整数据。数据集整合了三个主要数据源：视频数据、系统日志数据和患者数据。手术过程中使用四台标准摄像机和一台鱼眼摄像机记录，提供工作流程的概览。采用Scaled-YOLOv4目标检测算法从视频中提取信息，如房间内人数和物体数量。系统日志数据来自C型臂（Philips Allura Xper FD10）和手术台的记录，提供整个手术过程中对C型臂系统的每次输入数据。临床数据从医院电子病历中回顾性收集。

研究采用了两种深度学习架构：长短期记忆网络（LSTM）和LSTM-全卷积网络（LSTM-FCN）。LSTM层能够有效建模时间依赖关系，通过门控机制选择性向细胞状态添加信息来解决梯度消失/爆炸问题。LSTM-FCN将LSTM网络与全卷积网络连接，利用卷积层学习输入数据的相关特征，同时考虑视频中提取的空间信息。模型使用自定义的加权分类交叉熵损失函数以应对类别不平衡问题，采用Adam优化器进行训练，并使用3折交叉验证评估性能。加权准确率（wa）作为主要评估指标，定义为各类别准确率按其相对频率加权的总和。

三、研究结果

数据集特征：最终数据集包含222例CAG手术，其中143例为男性（64%），79例为女性（36%），患者平均年龄约70岁（标准差±11岁）。数据集中诊断性CAG的中位持续时间为42.49分钟（IQR：34.25-52.54分钟）。在所有阶段中，阶段C持续时间最长（10分钟）。数据集高度不平衡，阶段C占比超过20%，约等于最后九个阶段（阶段J至阶段E）的总和。

模型性能：基线模型加权准确率为46%，随机森林模型达到79%。在最高粒度（14类）下，模型可达到70%以上的准确率；允许5秒时间窗口时，准确率升至90%以上。将粒度降至4类时，0秒时间窗口下模型可达89%准确率，5秒窗口下接近95%。LSTM模型3折交叉验证训练耗时51分钟，LSTM-FCN为114分钟。LSTM模型包含137455个参数，LSTM-FCN包含334059个参数。

分阶段准确性：使用LSTM模型、5秒时间窗口时，几乎所有阶段均达到90%以上准确率，平均准确率超过95%，加权平均准确率约91%。混淆矩阵显示，当发生误分类时，算法预测的阶段通常与实际阶段在时间上接近。

数据源贡献：仅使用视频数据时，LSTM模型达到90%准确率；仅使用系统日志数据时，两种模型均超过70%准确率。数据源整合显著提升了算法性能。

统计分析：5×2交叉验证配对t检验结果显示p值为0.290，t统计量为1.183，表明两种模型性能差异可能归因于随机变异而非真实效能差异。效应量为0.0167（1.67%）。LSTM模型的鲁棒性分析显示，100次运行的平均加权准确率为0.89，标准差为0.02，超过98%的运行准确率高于85%。

四、讨论与结论

讨论：本研究首次在介入心脏病学领域将深度学习算法应用于导管室工作流程的自动阶段识别。研究整合了三个真实世界数据源，获得了从准备到清洁的完整工作流程概览。两种深度学习架构均提供了准确可靠的预测，优于基线模型。LSTM模型展现出良好的鲁棒性，100次运行的平均准确率为89%。统计分析和效应量表明两种模型性能相当，但LSTM模型训练时间约快2.2倍、参数减少约40%，在实时应用场景中更具计算效率优势。研究指出，视频特征可能已具有高度信息性，因此LSTM-FCN中额外的卷积层可能未显著增强特征集。未来研究应关注模型在不同导管室环境中的泛化能力、数据缩减情况下的性能表现，以及将模型应用于预测手术持续时间以优化排程。

局限性：深度学习算法缺乏可解释性；数据集仅包含诊断性导管插入术，工作流程相对同质；不良事件数量极少，模型对异常或罕见事件的鲁棒性可能降低；研究在单一地点进行，性能未在其他医院环境中测试。

结论：本研究解决了真实世界医疗程序中阶段分类这一具有挑战性的任务。通过实施LSTM和LSTM-FCN模型，研究人员成功捕捉了时间依赖性和变化，实现了超过90%的准确率。尽管存在类别不平衡，模型仍展现出稳健性能。统计分析显示两种分类器之间无显著性能差异，表明其效能相当。这些发现强调了深度学习技术在手术工作流程阶段检测中的潜力。这是首个描述在整合数据集上对实际导管室手术应用深度学习技术进行阶段识别可行性的研究。未来研究应探索利用自动阶段分类预测手术持续时间的可能性，这将极大改善导管室的排程效率。