Qualität von gynäkologischen Operationen durch Videoanalyse verbessern

Bei laparoskopischen Operationen werden die Bilder aus dem Bauchraum des Patienten durch eine winzige, hochauflösende Kamera (das Laparoskop) auf einen Bildschirm übertragen. Der Operateur bzw. die Operateurin verwendet diese Bilder als einzige Sehhilfe, um die Operation durchzuführen. Solche laparoskopischen Videoaufnahmen zeigen alle Details der gesamten Operation und werden daher immer öfters auch für die nachträgliche Verwendung – beispielsweise zur Qualitätsbewertung – gespeichert. Ein Team von Informatikerinnen und Informatikern entwickelt nun in einem FWF-geförderten Projekt technische Werkzeuge, die bei der automatischen Videoanalyse zur Qualitätsverbesserung unterstützen sollen.

Bei der „Chirurgischen Qualitätsbewertung“ wird die Operation mithilfe der Videoaufnahme nachträglich nochmals genauestens angesehen und auf das Vorhandensein technischer Fehler überprüft. Geortet werden vor allem Schwierigkeiten in der Handhabung der Instrumente, die für jüngere ÄrztInnen oft schwer zu kontrollieren sind. Durch die nachträgliche Analyse der Videos werden Chirurginnen und Chirurgen auf solche Fehler aufmerksam gemacht und verbessern dadurch mittelfristig ihre Operationsqualität.

„Momentan wird diese Qualitätssicherung manuell durchgeführt, d.h. ohne Unterstützung durch Bild- und Videoanalyse“, berichtet Klaus Schöffmann (Institut für Informationstechnologie). Im Projekt „Surgical Quality Assessment in Gynecologic Surgery“ möchte er mit seinem Team (Sabrina Kletz und Andreas Leibetseder) nun untersuchen, „wie gut aktuelle Methoden des Maschinellen Lernens sowie Bild- und Videoretrieval dazu beitragen können, den Prozess der Qualitätssicherung zu unterstützen und dadurch zu beschleunigen.“

Die Grundhypothese des Forschungsteams ist, dass man technische Fehler durch Inhaltsanalyse der laparoskopischen Videoaufnahmen lernen und dadurch später automatisch erkennen kann. Obwohl die Endkontrolle dabei beim Chirurgen bzw. der Chirurgin selbst bleibt, könnten dadurch beispielsweise erkannte Videoabschnitte dem Chirurgen bzw. der Chirurgin zur näheren Kontrolle vorgeschlagen werden und somit die Effizienz der Qualitätssicherung gesteigert werden. „Eine weitere Hypothese ist, dass man durch Ähnlichkeitssuche in den Videos weitere ähnliche technische Fehler finden kann, wenn man bereits ein entsprechendes Segment gefunden hat und dieses als Input für die Suche verwendet“, ergänzt Klaus Schöffmann.

Als Methoden verwenden die ForscherInnen Neuronale Netze (Deep Learning) sowie Bild- und Videoanalyse und Methoden des Information Retrievals (z.B. inhaltsbasierte Ähnlichkeitssuche). Diese werden auf Videodaten der gynäkologischen Laparoskopie – die von ExpertInnen mit Metadaten versehen werden – angewandt und deren Leistung ausgewertet.