P.139 Predicting pituitary gland location during endoscopic endonasal surgery using machine learning model
Notice bibliographique
Résumé
Background: Identifying the pituitary gland during surgery for pituitary neuroendocrine tumors (PitNET) is crucial for preserving gland tissue and reducing postoperative hormonal dysfunction. This study aimed to develop and validate a machine learning (ML) tool to identify the pituitary gland during endoscopic endonasal surgery. Methods: Anonymized surgical videos from PitNET resections were trimmed to key phases, starting after dura opening and ending before skull base reconstruction. Frames were manually annotated to delineate the pituitary gland’s location. The ML model’s performance was evaluated using a single hold-out set method. Results: A total of 2316 frames from 52 videos were annotated, with 60%, 20%, and 20% allocated to training, validating, and testing the ML model, respectively. Performance metrics were as follows: accuracy of 97.8%, specificity of 98.7%, recall of 27%, precision of 18.6%, and an F1-score of 0.22. Conclusions: This study highlights the feasibility of using ML to identify the pituitary gland in PitNET surgeries. While the model is highly accurate in distinguishing gland from non-gland tissue, its low precision indicates a propensity to misclassify adjacent background tissue as pituitary gland.Further refinements could enhance its precision, making it a valuable tool for improving intraoperative anatomical recognition and postoperative hormonal 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».