基于全卷积神经网络从运动学数据准确且可解释地评估手术技能
机器学习
2019-08-21 v1 人工智能
机器学习
摘要
目的：由资深外科医生观察经验较少的受训者并给出人工反馈是一项费力的工作，其成本高昂、耗时且易受主观性影响。随着每年外科手术数量的增加，前所未有地需要提供准确、客观且自动化的受训者手术技能评估，以改进外科实践。方法：本文设计了一个卷积神经网络（CNN），通过提取受训者在机器人手术中动作所蕴含的潜在模式来对手术技能进行分类。该方法在 JIGSAWS 数据集上针对两项手术技能评估任务进行了验证：分类与回归。结果：我们的结果表明，深度神经网络构成了鲁棒的机器学习模型，能够在 JIGSAWS 数据集上达到具有竞争力的新最优（state-of-the-art）性能。在利用 CNN 高效性的同时，我们通过类激活图技术将其黑盒效应降至最低。结论：这一特性使我们的方法能够自动 pinpoint（定位）手术中哪些部分对技能评估影响最大，从而让我们能够解释手术技能分类，并为外科医生提供一种新颖的个性化反馈技术。我们相信这类可解释的机器学习模型可集成于“手术室 2.0（Operation Room 2.0）”中，并支持新手外科医生提升技能以最终成为专家。
引用
@article{arxiv.1908.07319,
title = {Accurate and interpretable evaluation of surgical skills from kinematic data using fully convolutional neural networks},
author = {Hassan Ismail Fawaz and Germain Forestier and Jonathan Weber and Lhassane Idoumghar and Pierre-Alain Muller},
journal= {arXiv preprint arXiv:1908.07319},
year = {2019}
}
备注
Accepted at IJCARS Special Issue for MICCAI 2018