Preclinical evaluation of Raman spectroscopy for pedicular screw insertion surgical guidance in a porcine spine model
Notice bibliographique
Résumé
SignificanceOrthopedic surgery is frequently performed but currently lacks consensus and availability of ideal guidance methods, resulting in high variability of outcomes. Misdirected insertion of surgical instruments can lead to weak anchorage and unreliable fixation along with risk to critical structures including the spinal cord. Current methods for surgical guidance using conventional medical imaging are indirect and time-consuming with unclear advantages.AimThe purpose of this study was to investigate the potential of intraoperative in situ near-infrared Raman spectroscopy (RS) combined with machine learning in guiding pedicular screw insertion in the spine.ApproachA portable system equipped with a hand-held RS probe was used to make fingerprint measurements on freshly excised porcine vertebrae, identifying six tissue types: bone, spinal cord, fat, cartilage, ligament, and muscle. Supervised machine learning techniques were used to train—and test on independent hold-out data subsets—a six-class model as well as two-class models engineered to distinguish bone from soft tissue. The two-class models were further tested using in vivo spectral fingerprint measurements made during intra-pedicular drilling in a porcine spine model.ResultsThe five-class model achieved >96 % accuracy in distinguish all six tissue classes when applied onto a hold-out testing data subset. The binary classifier detecting bone versus soft tissue (all soft tissue or spinal cord only) yielded 100% accuracy. When applied onto in vivo measurements performed during interpedicular drilling, the soft tissue detection models correctly detected all spinal canal breaches.ConclusionsWe provide a foundation for RS in the orthopedic surgical guidance field. It shows that RS combined with machine learning is a rapid and accurate modality capable of discriminating tissues that are typically encountered in orthopedic procedures, including pedicle screw placement. Future development of integrated RS probes and surgical instruments promises better guidance options for the orthopedic surgeon and better patient outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».