XiaoMi-AI文件搜索系统
World File Search Systemneurosurgical
Neurosurgical-焦点
目的本研究的目的是评估增强现实手术导航（ARSN）系统的准确性（与目标或预期路径的偏差）和功效（插入时间），以插入活检针和外部心室排水（EVD）（EVD），两个常见的神经外科手术，需要高度的神经外科手术。使用了基于混合手术室的ARSN系统，其中包括具有术中圆锥形圆锥形CT（CBCT）的机器人C臂（CBCT）以及使用非引人注目的粘合剂光学标记的患者和仪器的集成视频跟踪。获得了一个3D打印的头骨幻影，具有逼真的凝胶脑模型，其中含有空气室和2毫米球形活检靶标。最初的CBCT获取目标注册和计划后，ARSN用于30次颅骨活检和10个EVD插入。通过CBCT验证针头位置。结果活检针插入（n = 30）的平均准确性为0.8 mm±0.43 mm。中值路径长度为39毫米（范围16–104 mm），与精度无关（p = 0.15）。中间设备插入时间为149秒（范围87-233秒）。与计划的路径相比，EVD插入（n = 10）的平均插入（n = 10）为2.9 mm±0.8 mm，角度偏差为0.7°±0.5°，中间插入时间为188秒（范围135-400秒）。结论这项研究表明，ARSN可用于以很高的准确性和功效为导航经皮颅骨活检和EVD。
神经外科 - 重点
目的 全球每年约有 150 万人死于创伤性脑损伤 (TBI)。医生在早期预测重度 TBI 患者的长期结果方面相对较差。机器学习 (ML) 已显示出改善多种神经系统疾病预测模型的前景。作者试图探索以下几点：1) 与标准逻辑回归技术相比，各种 ML 模型的表现如何；2) 经过适当校准的 ML 模型是否可准确预测创伤后长达 2 年的结果。方法 对 2002 年 11 月至 2018 年 12 月期间在单个一级创伤中心接受治疗的重度 TBI 患者的前瞻性收集数据库进行了二次分析。使用格拉斯哥结果量表评估受伤后 3、6、12 和 24 个月的神经系统结果。作者使用 ML 模型（包括支持向量机、神经网络、决策树和朴素贝叶斯模型）通过入院时可用的临床信息预测所有 4 个时间点的结果，并将性能与逻辑回归模型进行了比较。作者试图预测不利与有利的结果（格拉斯哥结果量表评分为 1-3 vs 4-5）以及死亡率。使用具有 95% 置信区间和平衡准确度的受试者工作特征 (ROC) 曲线下面积 (AUC) 评估模型的性能。结果在数据库的 599 名患者中，作者分别在创伤后 3、6、12 和 24 个月纳入了 501、537、469 和 395 名患者。在所有时间点，使用各种建模策略，死亡率的 AUC 范围为 0.71 至 0.85，不良结果的 AUC 范围为 0.62 至 0.82。决策树模型在多个时间点的不良结果和死亡率方面的表现都比所有其他建模方法差。其他任何模型之间均无统计学显著差异。经过适当校准后，模型在不同时间点的变化很小（0.02–0.05）。结论本文测试的 ML 模型在 TBI 预测方面的表现与逻辑回归技术相当。TBI 预测模型可以预测受伤后 6 个月至 2 年的结果。
神经外科 - 重点
目的随着3D建模技术和可视化设备的进步，基于增强现实（AR）的导航（AR导航）正在积极开发。作者开发了他们新开发的由内而外跟踪AR导航系统的试验模型。方法基于视觉惯性里程计（VIO）算法开发了由内而外的AR导航技术。创建快速响应（QR）标记并将其用于图像特征检测算法。由内而外的AR导航通过可视化设备识别、标记识别、AR实现和在运行环境中注册的步骤进行。创建了用于AR渲染的虚拟3D患者模型和用于验证注册精度的3D打印患者模型。由内而外跟踪用于注册。通过使用直观、可视化和定量的方法来通过匹配误差识别坐标来验证注册精度。开发了微调和不透明度调整功能。结果开发了基于ARKit的由内而外的AR导航。 AR模型的基准标记与3D打印患者模型的基准标记在所有位置均正确重叠，没有错误。AR导航的肿瘤和解剖结构与3D打印患者模型颅内放置的肿瘤和结构精确重叠。使用坐标量化配准精度，x轴和y轴的平均移动误差分别为0.52±0.35和0.05±0.16毫米。x轴和y轴的梯度分别为0.35°和1.02°。视频证明了微调和不透明度调整功能的应用。结论作者开发了一种基于内向外跟踪的新型AR导航系统，并验证了其配准精度。该技术系统可应用于针对特定患者的神经外科手术的新型导航系统。
神经外科 - 重点
借助神经导航系统，可以进行非轴内手术。1–4 这些系统在手术开始时特别有效，可以确定经皮质入路的界限。然而，由于脑移位现象，这些系统在肿瘤切除过程中会失去精确度和可靠性。5 正如其他人所说，神经导航系统的使用并不能取代扎实的外科解剖知识。6,7 近几十年来，增强现实 (AR) 越来越受欢迎，在神经外科和神经科学领域的应用也越来越多。8–11 这项计算机技术提供了实时更新的解剖细节 3D 虚拟模型，叠加在真实的手术区域上。最近的创新通过智能手机、改装护目镜和手术显微镜增加了对这项技术的使用。12–16 在脑肿瘤切除术中对主要脑室和脑室周围解剖标志进行术中可视化对于保存这些标志至关重要，因此对患者的术后临床结果也至关重要。这些标志包括脑室周围血管、纤维束和基底神经节，这些都已在主要的解剖学研究中描述过。17–21 鉴于直接观察固有的困难，
Neurosurgical-焦点
客观控制住院时间（LOS）降低了医院感染和跌倒的速度，促进了早期恢复日常活动，并减少了医疗保健系统的压力。术后早期出现的肿瘤切除术后的并发症，从而增强了安全，早期出院的前景。在这里，作者介绍了他们的最初经验，随着颅外科手术（ERACS）途径增强的发展和实施后，在某些患者中切除后肿瘤后的恢复疗法。方法，这是一项非随机的，雄心勃勃的质量改善研究，对纽约大学兰蒙卫生术进行选择性颅骨切除术的患者在2020年11月17日至2022年5月19日之间。符合条件的患者被前瞻性地纳入ERACS途径或标准途径。将这些前瞻性队列与符合该途径资格标准的患者的回顾性队列进行了比较。eRACS途径队列中的患者在术后第2天被射出。主要结果指标是LOS医院。次要结果指标包括重症监护病房（ICU）的持续时间以及30天急诊室就诊，再入院和并发症的率。在研究期间的结果，在317名患者中，有188名接受肿瘤切除术的患者中有188例符合ERACS途径入学的纳入标准。六十三名患者被纳入ERACS途径，125名患者完成了标准途径。历史人群由332例患者组成，这些患者本来可以符合ERAC的入学率。ERACS途径队列中的患者的中位LOS为1.93天，而标准途径和历史队列中的患者分别为2.92和2.88天（p <0.001）。ERACS途径患者的ICU利用率显着降低（16.0±6.53 vs 29.5±53.0 vs 21.8±18.2小时，p = 0.005）。在30天的急诊室就诊率没有差异（12.7％vs 9.6％vs 10.9％，p = 0.809）和读数（4.8％vs 4.0％比7.8％，P = 0.279）之间没有差异。结论在ERACS途径队列中的患者的LOS和ICU利用率降低，与标准途径患者相比，不良后果率相似。作者的最初经验表明，在某些患者的上肿瘤切除后，可以安全地实施加速恢复途径。
Neurosurgical-焦点
客观学习手术技能是神经外科培训的重要组成部分。理想情况下，这些技能在离体环境中得到足够的程度。作者先前描述了一种体外脑肿瘤模型，该模型由注射荧光琼脂的Ca-daveric动物脑组成，用于获得广泛的基本神经肿瘤学技能。该模型的重点是触觉技能，例如安全组织消融技术和基于荧光切除的训练。随着重要的教学技术（例如混合现实和3D打印）变得更加容易获得，作者开发了一种易于使用的训练模型，将触觉方面集成到混合现实设置中。方法从医学成像数据中细分了脑肿瘤患者的解剖结构，以创建病例的数字双胞胎。骨结构是3D打印的，并与体外脑肿瘤模型合并。在混合现实耳机中可视化了序列的结构，并且印刷和虚拟物体的一致性使它们在空间上叠加。以这种方式，该系统的用户能够在整个治疗过程中训练从手术计划到手术的仪器准备和执行。在联合模型促进模型（患者）定位以及颅骨切开术和切除计划的程度符合病例依赖性规格的程度中，结果混合现实可视化。晚期物理模型允许脑肿瘤手术训练，包括皮肤切口；颅骨切开术；硬脑膜开放；荧光引导的肿瘤切除；还有硬脑膜，骨头和皮肤闭合。结合了混合现实可视化与相应的3D打印物理动手模型的结论，可以对顺序脑肿瘤切除技能进行高级训练。三维印刷技术促进了精确，可重复和全球可访问的脑肿瘤手术模型的生产。在神经外科居民的技能培训的重要方面进行了提出的描述的脑肿瘤切除模型（例如，定位病变，头部位置计划，头骨毛骨子化，硬脑膜开口，组织消融技术，荧光引导的重新裂缝和闭合）。混合现实通过难以建模的重要结构（例如血管和纤维区域）和高级相互作用概念（例如颅骨切开术模拟），丰富了模型。最后，这个概念展示了一种桥接技术，用于术中混合现实。
神经外科并发症的分类
[1] P. Lambin 等人，“放射组学：使用高级特征分析从医学图像中提取更多信息”，《欧洲癌症杂志》，第 48 卷，第 4 期，第 441-446 页，2012 年。[2] NN Basil、S. Ambe、C. Ekhator 和 E. Fonkem，“健康记录数据库和固有安全问题：文献综述”，《Cureus》，第 14 卷，第 10 期，2022 年，doi：10.7759/cureus.30168。[3] E. Chukwuyem、K. Santosh、T. Ramya、F. Ekokobe 和 G. Jai，“神经肿瘤学中虚拟肿瘤委员会的出现：机遇与挑战”，《Cureus》，第 14 卷，第 10 期，2022 年，doi：10.7759/cureus.30168。 6，2022 年，doi：10.7759/cureus.25682。[4] C. Ekhator、I. Nwankwo 和 A. Nicol，“在儿科实施国家紧急 X 射线照相利用研究 (NEXUS) 标准：系统评价”，Cureus，第 14 卷，第 10 期，2022 年，doi：10.7759/cureus.30065。[5] MB Schabath 和 ML Cote，“癌症进展和优先事项：肺癌”，癌症流行病学、生物标志物和预防，第 28 卷，第 10 期，2022 年，doi：10.7759/cureus.30065。 10，第 1563-1579 页，2019 年。[6] C. Ekhator、I. Nwankwo、E. Rak、A. Homayoonfar、E. Fonkem 和 R. Rak，“GammaTile：用于治疗脑肿瘤的新型放射性术中种子装载装置的综合评价”，Cureus，第 14 卷，第 10 期，2022 年，doi：10.7759/cureus.29970。[7] C. Ekhator 和 R. Rak，“改进神经外科培训招募的必要性：招生策略的系统评价”，Cureus，第 14 卷，第 6 期，2022 年，doi：10.7759/cureus.26212。 [8] C. Ekhator、R. Rak、R. Tadipatri、E. Fonkem 和 J. Grewal，“多巴胺拮抗剂 ONC201 治疗成人复发性组蛋白 H3 赖氨酸 27 转甲硫氨酸 (H3K27M) 突变型胶质母细胞瘤的单中心经验”，Cureus，第 14 卷，第 8 期，2022 年，doi：10.7759/cureus.28175。[9] ML Gasparri、OD Gentilini、D. Lueftner、T. Kuehn、O. Kaidar-Person 和 P. Poortmans，“冠状病毒疾病 19 大流行期间乳腺癌管理的变化：
人工智能在神经外科教育中的应用：A
•分析手术模拟期间的性能指标。•学习构成外科专业知识的特定过程的指标集。•使用神经网络和其他算法对参与者分类。•根据模拟中获得的指标提供个性化和定量的反馈。•提供实时视听和度量评估。•评估各种反馈方式（数字，视觉，视觉空间）对绩效提高的影响。•制定个性化培训计划。•确定学习模式。
人工智能在神经外科领域的作用不断演变
参考文献 [1] Litjens, G., Et Al. (2017)。“医学图像分析中的深度学习调查。”医学图像分析，42，60-88。 [2] Esteva, A., Et Al. (2021)。“深度学习支持的医学计算机视觉。”自然生物医学工程，5(6)，541-551。 [3] Haidegger, T. (2021)。“人工智能驱动的机器人手术：趋势、进步和挑战。”IEEE 生物医学工程评论，14，27-45。 [4] Ferguson, S., Et Al. (2019)。“用于预测神经外科术后并发症的机器学习模型。”神经外科评论，43(4)，891-900。 [5] Bricault, I., Et Al. (2021)。 “人工智能驱动的机器人神经外科手术：技术和临床结果。”《神经外科杂志》，135(2)，543-553。[6] Shen, D. 等人（2019 年）。“医疗保健中的人工智能：个性化和精准医疗。”《自然医学》，25(1)，44-56。[7] Senders, JT 等人（2018 年）。“神经外科中的机器学习：一项全球调查。”《神经外科评论》，41(3)，585-594。[8] Senders, JT 等人（2020 年）。“用于神经外科结果预测的人工智能。”《柳叶刀数字健康》，2(7)，E352-E361。[9] Topol, EJ（2019 年）。“高性能医疗：人类与人工智能的融合。” Nature Medicine，25(1)，44-56。[10] Rudin，C.（2019）。“停止解释高风险决策的黑箱机器学习模型，并使用可解释的