手术数字孪生体综述
机器人学
2025-12-02 v1 人工智能
计算机视觉与模式识别
摘要
随着多模态手术数据的不断获取和实时计算能力的提升，手术数字孪生体（Surgical Digital Twins, SDTs）正成为能够镜像、预测并指导决策的虚拟实体，覆盖手术前、手术中和手术后各个阶段。尽管已有诸多实践显示了其潜力，但 SDTs 仍面临持续挑战：在严格的时延预算下融合异构的影像、运动学和生理数据；在模型保真度与计算效率之间取得平衡；确保鲁棒性、可解释性和校准不确定性；以及在临床环境中实现互操作性、隐私保护和合规性。本综述提供了 SDTs 的批判性、结构化综述。我们阐明了术语和范围，提出了按目的、模型保真度和数据来源划分的分类框架，综述了可伸缩性、高性能 DNN 部署方法。针对均质边缘设备的硬件感知 DNN 压缩框架，旨在所有设备上获得压缩后模型的最优平均性能。针对数千乃至数百万台均质边缘设备耗时的硬件感知评估问题，HDAP 将所有设备划分为若干设备聚类，从而显著减少需评估的设备数量，并使用替代性评估方法替代实际硬件评估。针对多种设备类型（Jetson Xavier NX 和 Jetson Nano）和任务类型（图像分类：ResNet50、MobileNetV1、ResNet56、VGG16；目标检测：YOLOv8n），进行了大量实验，表明 HDAP 在多个场景下均实现了更低的平均延迟和具竞争力的准确率，相较于当前方法实现了显著加速（例如，在 1.0G FLOPs 下的 ResNet50 加速 2.86 倍）。HDAP 为均质边缘设备的可扩展高性能 DNN 部署提供了有效解决方案。
引用
@article{arxiv.2512.00019,
title = {A Comprehensive Survey on Surgical Digital Twin},
author = {Afsah Sharaf Khan and Falong Fan and Doohwan DH Kim and Abdurrahman Alshareef and Dong Chen and Justin Kim and Ernest Carter and Bo Liu and Jerzy W. Rozenblit and Bernard Zeigler},
journal= {arXiv preprint arXiv:2512.00019},
year = {2025}
}