Interpretable Transformer-Based Phase Recognition for Transabdominal Preperitoneal Laparoscopic Inguinal Hernia Repair

Este estudo apresenta uma estrutura baseada em transformadores, altamente precisa e interpretável (SurgFormer), que utiliza uma estratégia de aprendizado por transferência em três etapas para alcançar 90,64% de precisão no reconhecimento de fases em reparos laparoscópicos complexos de hérnia inguinal pré-peritoneal transabdominal, estabelecendo assim uma base para orientação intraoperatória em tempo real e avaliação automatizada de habilidades.

O essencial

Imagine que você está assistindo a um programa de culinária muito complexo, como uma competição de alta pressão em confeitaria. Os chefs estão realizando trabalhos delicados e multietapas: enrolando a massa, recheando-a, selando-a e assando-a. Agora, imagine tentar ensinar um computador a assistir a esse vídeo e saber instantaneamente exatamente em qual etapa o chef está, mesmo quando o ângulo da câmera é estranho, a mão do chef bloqueia a visão ou as etapas se fundem umas nas outras de forma contínua.

Isso é essencialmente o que este artigo faz, mas, em vez de confeitaria, trata-se de reparo de hérnia inguinal TAPP — um tipo comum, porém complicado, de cirurgia minimamente invasiva onde os cirurgiões corrigem uma hérnia através de pequenos orifícios no abdômen.

Aqui está a história de como eles ensinaram o computador a entender essa cirurgia, dividida em partes simples:

1. O Problema: O Computador está "Cego" para Cirurgias Complexas

Para cirurgias mais simples (como a remoção da vesícula biliar), os computadores já aprenderam a reconhecer as etapas. Mas o reparo de hérnia é diferente. É como a diferença entre seguir uma receita simples para ovos mexidos e um menu degustação complexo de vários pratos.

• O Desafio: A cirurgia envolve camadas delicadas de tecido, instrumentos que frequentemente bloqueiam a visão da câmera e etapas que parecem muito semelhantes entre si.
• A Lacuna de Dados: Existem milhares de vídeos de cirurgias de vesícula biliar disponíveis para ensinar computadores, mas muito poucos vídeos rotulados de reparos de hérnia. É como tentar ensinar um aluno a dirigir um carro de Fórmula 1 quando você tem apenas algumas voltas de treino e nenhum instrutor.

2. A Solução: Uma Estratégia de Aprendizado em "Três Etapas"

Os pesquisadores não apenas jogaram o computador na parte profunda. Eles usaram uma abordagem de "campo de treinamento" inteligente chamada Aprendizado por Transferência Sequencial. Pense nisso como treinar um atleta:

• Etapa 1: Condicionamento Geral (Kinetics-400): Primeiro, eles ensinaram o computador a entender o movimento humano geral usando um banco de dados massivo de vídeos do cotidiano (como pessoas correndo, dançando ou cozinhando). Isso deu ao computador uma compreensão básica de "movimento".
• Etapa 2: Exercícios Especializados (Cholec80): Em seguida, eles fizeram o computador praticar com vídeos de cirurgias de vesícula biliar. Isso foi a "ponte". Ensinou o computador a lidar com a aparência específica das câmeras cirúrgicas, dos instrumentos e do interior do corpo humano, mesmo não sendo exatamente a cirurgia que eles queriam dominar ainda.
• Etapa 3: A Prova Final (Reparo de Hérnia TAPP): Finalmente, eles ajustaram finamente o computador nos vídeos reais de reparo de hérnia. Como ele já havia aprendido os fundamentos do movimento e os detalhes da cirurgia, precisou apenas de uma pequena quantidade de dados de hérnia para se tornar um especialista.

3. Os Resultados: "Menos é Mais"

A equipe testou diferentes maneiras de fornecer os dados ao computador. Eles descobriram algo surpreendente:

• O Ponto Ideal: Eles pensaram que precisavam mostrar ao computador todos os 25 vídeos de hérnia disponíveis para obter o melhor resultado. Em vez disso, descobriram que mostrar apenas 22 vídeos era realmente a quantidade perfeita.
• A Analogia: Imagine estudar para uma prova. Se você ler o livro didático 25 vezes, pode começar a ficar confuso ou entediado (o computador ficou ligeiramente pior). Mas lê-lo 22 vezes forneceu o equilíbrio perfeito de conhecimento sem o "ruído".
• A Pontuação: Usando esse método, o computador identificou corretamente a etapa cirúrgica 90,64% das vezes. Essa é uma pontuação muito alta para uma tarefa tão complexa.

4. Tornando a "Caixa Preta" Transparente

Um dos maiores medos com a IA é que ela seja uma "caixa preta" — ela dá uma resposta, mas ninguém sabe como chegou lá. Os pesquisadores queriam espiar dentro da caixa.

• A Analogia: Imagine o cérebro do computador como uma linha de montagem de fábrica.
  • No início da linha (Camada 1): O computador está apenas olhando para cores e texturas básicas (por exemplo, "isso é uma ferramenta metálica brilhante", "isso é tecido rosa"). A informação é bagunçada e misturada.
  • No final da linha (Camada 12): O computador organizou toda essa bagunça em categorias claras e distintas. Agora ele entende claramente conceitos como "Colocação de Malha" ou "Fechamento da pele".
• A Prova: Eles usaram mapas especiais (visualizações) para mostrar que, à medida que os dados se moviam pelo cérebro do computador, as imagens bagunçadas se organizavam sozinhas em grupos perfeitos e separados. Isso prova que o computador não está apenas chutando; ele está realmente aprendendo o significado das etapas da cirurgia.

5. O Que Eles Construíram para os Cirurgiões

Os pesquisadores não pararam apenas nos números. Eles construíram uma ferramenta que atua como um sistema de legendas ao vivo para a cirurgia.

• À medida que o cirurgião opera, o sistema assiste ao vídeo em tempo real.
• Ele exibe uma barra colorida na parte inferior da tela mostrando exatamente qual etapa está acontecendo agora.
• Se o computador cometer um erro (como confundir "dissecção" com "redução"), ele destaca esse momento em vermelho. Isso permite que os médicos vejam exatamente onde a IA está confiante e onde está insegura, construindo confiança no sistema.

Resumo

Em resumo, este artigo mostra que, ao ensinar um computador a entender o movimento geral, depois a cirurgia geral e, finalmente, uma cirurgia complexa específica, podemos criar um "assistente inteligente" altamente preciso para reparos de hérnia. Eles provaram que não é necessária uma biblioteca massiva de dados para fazer isso — apenas a quantidade certa de dados e um plano de treinamento inteligente. Mais importante ainda, eles mostraram exatamente como o computador aprende, transformando uma misteriosa "caixa preta" em uma ferramenta transparente e compreensível.

Resumo técnico

1. Declaração do Problema

O artigo aborda a lacuna crítica na aplicação de Inteligência Artificial (IA) ao Reparo Laparoscópico Inguinal Transabdominal Pré-Peritoneal (TAPP). Embora o reconhecimento de fases cirúrgicas seja bem estabelecido para procedimentos padronizados como a colecistectomia laparoscópica, ele permanece pouco explorado para o TAPP devido a:

• Complexidade Visual: O TAPP envolve planos anatômicos delicados (espaços de Bogros e Retzius), transições visuais sutis e oclusões frequentes entre instrumentos e tecidos.
• Escassez de Dados: Diferentemente da colecistectomia, não existem grandes conjuntos de dados públicos, anotados com múltiplas fases, para o TAPP, tornando difícil treinar modelos de aprendizado profundo do zero sem superajuste severo.
• O Problema da "Caixa Preta": Modelos de aprendizado profundo existentes carecem de interpretabilidade, dificultando a confiança clínica e a adoção em ambientes de sala cirúrgica em tempo real.

2. Metodologia

Os autores propõem um novo framework utilizando o SurgFormer, uma arquitetura Vision Transformer (ViT), combinada com uma estratégia de aprendizado por transferência sequencial para superar as limitações de dados.

A. Arquitetura do Conjunto de Dados

• Conjunto de Dados Alvo (TAPP): 32 vídeos do Centro de Saúde da Universidade McGill (MUHC), anotados via plataforma Theator.
  • Divisão: 25 vídeos para treinamento, 7 para teste.
  • Fases: 7 fases distintas (Preparação, Exposição Pré-Peritoneal, Dissecção Pré-Peritoneal, Redução da Hérnia e do Saco, Posicionamento da Malha, Fechamento Peritoneal, Inspeção Final).
• Conjuntos de Dados Fonte para Aprendizado por Transferência:
  • Kinetics-400: Grande conjunto de dados genérico de reconhecimento de ações humanas (Inicialização Base).
  • Cholec80: Conjunto de dados de referência pública para colecistectomia laparoscópica (Adaptação de domínio intermediária).

B. Arquitetura do Modelo: SurgFormer

• Utiliza um mecanismo de atenção espaço-temporal dividido em vez de pipelines tradicionais CNN-RNN.
• Processa a autoatenção espacial dentro de quadros individuais e a autoatenção temporal através de sequências de quadros.
• Consiste em 12 blocos sequenciais de transformadores para capturar dependências de longo alcance e contexto global.

C. Estratégia de Treinamento (Aprendizado por Transferência Sequencial em Três Estágios)

Para mitigar a escassez de dados, os autores empregaram um pipeline específico de três estágios:

1. Inicialização Base: Pesos transferidos do TimeSformer pré-treinado no Kinetics-400.
2. Adaptação de Domínio Cirúrgico: Ajuste fino no conjunto de dados Cholec80 (50 épocas) para adaptar características de ações genéricas para cirurgia laparoscópica.
3. Ajuste Fino da Tarefa Alvo: Ajuste fino no conjunto de dados TAPP (50 épocas).

D. Protocolos Experimentais

O estudo comparou quatro abordagens de treinamento para determinar a eficiência de dados:

1. Zero-shot: Inferência direta no TAPP usando apenas pesos do Cholec80 (sem ajuste fino no TAPP).
2. Treinamento Direto: Ajuste fino diretamente nos dados do TAPP (contornando o Cholec80).
3. Treinamento em Cascata: Ajuste fino sequencial em pequenos fragmentos (2 vídeos) de dados do TAPP.
4. Treinamento Cumulativo: Ajuste fino progressivo em subconjuntos crescentes de dados do TAPP (de 2 a 25 vídeos).

E. Análise de Interpretabilidade

Para desmistificar o modelo, os autores realizaram uma análise progressiva de incorporação (embedding):

• Extraíram características de alta dimensão de todos os 12 blocos de transformadores.
• Aplicaram técnicas de redução de dimensionalidade (PCA, t-SNE, UMAP) para visualizar como as representações internas evoluem de texturas de baixo nível para clusters semânticos de alto nível.

3. Resultados Principais

Métricas de Desempenho

• Falha Zero-shot: O modelo alcançou apenas 15,77% de precisão no TAPP sem adaptação de domínio alvo, provando a necessidade de ajuste fino específico.
• Desempenho Ótimo: A estratégia de Treinamento Cumulativo alcançou uma precisão Top-1 de pico de 90,64% e uma Pontuação F1 Média de 86,44%.
• Eficiência de Dados ("Menos é Mais"): O modelo atingiu o pico com 22 vídeos de treinamento. Adicionar os 3 vídeos finais (totalizando 25) causou na verdade uma leve queda de desempenho para 89,99%, sugerindo um ponto de saturação para a diversidade procedimental.
• Comparação: O treinamento cumulativo (90,64%) superou o treinamento direto (89,89%) e o treinamento em cascata (87,99%), indicando que o aprendizado por transferência sequencial previne o esquecimento catastrófico melhor do que a fragmentação incremental.

Desempenho por Classe

• Alta Precisão: O modelo se destacou em fases distintas como Redução da Hérnia e do Saco (96,9%) e Posicionamento da Malha (92,9%).
• Desafios: A precisão caiu durante a Dissecção Pré-Peritoneal (65,3%), onde 31,6% dos quadros foram mal classificados como Redução da Hérnia e do Saco. Isso alinha-se com a realidade clínica, pois a transição entre essas fases é visualmente ambígua e subjetiva.

Descobertas de Interpretabilidade

• Maturação da Incorporação: Visualizações de redução de dimensionalidade revelaram uma progressão clara:
  • Camadas Iniciais (Bloco 0): As características estavam altamente emaranhadas e representavam texturas visuais de baixo nível.
  • Camadas Finais (Bloco 11/12): As características se resolveram em clusters distintos e separáveis correspondendo exatamente às 7 fases semânticas cirúrgicas.
• Isso confirma que o modelo aprende conceitos semânticos em vez de meramente memorizar sequências de quadros.

4. Contribuições Principais

1. Framework Inovador: Primeira aplicação de um Vision Transformer (SurgFormer) especificamente para reconhecimento de fases TAPP, alcançando precisão state-of-the-art (90,64%) apesar da escassez de dados.
2. Estratégia de Aprendizado por Transferência Sequencial: Demonstrou que um pipeline de três estágios (Kinetics $\to$ Cholec80 $\to$ TAPP) é superior ao treinamento direto ou à fragmentação incremental para tarefas cirúrgicas complexas e com escassez de dados.
3. Descoberta de Eficiência de Dados: Identificou que um subconjunto curado de 22 vídeos é suficiente para generalização ótima, desafiando a suposição de que "mais dados são sempre melhores".
4. Interpretabilidade Profunda: Forneceu evidências visuais (via PCA/t-SNE/UMAP) de como o transformador aprende, evoluindo de texturas locais para compreensão semântica global, abordando assim a preocupação da "caixa preta".
5. Ferramentas de Visualização Clínica: Desenvolveu sobreposições de vídeo em tempo real a 25 fps e mapas de fases que juxtapõem a verdade fundamental com previsões, destacando erros transitórios nas fronteiras de fases.

5. Significado

Este estudo estabelece um framework fundamental para salas cirúrgicas conscientes do contexto na cirurgia de hérnia. Ao provar que uma IA de alta precisão e interpretável é viável para procedimentos complexos e não padronizados como o TAPP, o trabalho abre caminho para:

• Orientação Intraoperatória em Tempo Real: Alertar cirurgiões sobre desvios ou perigos iminentes.
• Avaliação Automatizada de Habilidades: Avaliação objetiva do desempenho de residentes.
• Otimização de Recursos: Estimativa dinâmica do tempo operatório restante.
• Confiança Clínica: A análise de interpretabilidade fornece a transparência necessária para que os cirurgiões confiem e adotem sistemas de suporte à decisão impulsionados por IA.

Os autores concluem que, embora o modelo seja altamente preciso, trabalhos futuros devem focar na validação multi-institucional e no desenvolvimento de interfaces hardware-software para implantação ao vivo.