面向气管切开活动识别的统一 XAI-LLM 方法
人工智能
2026-01-30 v1
摘要
气管切开（ES）是一种侵入性但必不可少的临床程序，需高度技能以最小化患者风险——尤其是在居家护理和教育环境中，监督一致性有限。尽管其关键重要性，却鲜有针对 ES 训练的自动识别与反馈系统的探索。为填补这一空白，本研究提出了一个统一的、以 LLM 为中心的框架，用于视频-based 活动识别，基准测试于传统机器学习和深度学习方法，并进行一次反馈生成的 pilot 研究。在此框架中，大型语言模型（LLM）作为中心推理模块，执行空间时间活动识别和来自视频数据的可解释决策分析。此外，LLM 能够用自然语言 verbalize 反馈，从而将复杂的技术见解转化为易于理解的、面向学习者的指导。实验结果表明，所提出的 LLM-based 方法在准确率和 F1 分数上均优于基准模型，提升约 15-20%。除识别外，该框架还集成了一个基于异常检测和可解释人工智能（XAI）原则构建的 pilot 学生支持模块，提供自动化、可解释的反馈，突出正确操作并提供针对性改进建议。总体而言，这些贡献为推进护理教育、提高培训效率并最终改善患者安全奠定了一个可扩展、可解释且数据驱动的基础。
引用
@article{arxiv.2601.21802,
title = {A Unified XAI-LLM Approach for EndotrachealSuctioning Activity Recognition},
author = {Hoang Khang Phan and Quang Vinh Dang and Noriyo Colley and Christina Garcia and Nhat Tan Le},
journal= {arXiv preprint arXiv:2601.21802},
year = {2026}
}