Predicting Anastomosis or Stump Leakage After Laparoscopic Gastrectomy: A Deep Learning Approach to Intraoperative Image Analysis
Notice bibliographique
Résumé
PURPOSE: Postoperative leakage is a critical complication of laparoscopic gastrectomy for gastric cancer. Predicting leakage during surgery can enhance patient outcomes by enabling a timely intervention. This study aimed to develop and validate deep learning models for predicting leakage using laparoscopic images of the anastomosis sites. MATERIALS AND METHODS: We analyzed 10,256 laparoscopic images from 2,035 patients who underwent gastrectomy for gastric cancer at three institutions. Six datasets (EXP1 to EXP6) were created based on variations in image quality and analytical methods. Six deep learning architectures, ResNet18, ResNet34, ResNet50, EfficientNet_V2_L, Inception_V3, and DenseNet121, were employed for training. Deep learning models were trained to classify images into normal or leakage categories at the duodenal stump (DS) and esophagojejunal (EJ) anastomoses. Model performance was evaluated using F1 scores, recall, and Grad-CAM visualization. RESULTS: Leakage was identified in 1.3% and 4.3% of the patients with DS and EJ, respectively. Among the six datasets, EXP1, which used one image per patient and applied augmentation, exhibited the best performance. ResNet18 trained on EXP1 demonstrates the highest recall values, achieving 0.8474 for DS and 0.8000 for EJ, with F1 scores of 0.6357 and 0.6938, respectively. Grad-CAM revealed that both local and surrounding tissue features were critical for model prediction. CONCLUSIONS: Deep learning could predict leakage during gastric cancer surgery. High-resolution imaging, single-image analysis, and data augmentation were pivotal for model performance. These findings lay the groundwork for clinical applications and future research on surgical image analysis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 |
| 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 ».