基于深度学习的气管插管技能视频评估
计算机视觉与模式识别
2024-04-19 v1
摘要
气管插管（ETI）是急救过程中在平民和战场创伤护理中建立气道的紧急操作。客观、自动化的ETI技能评估对于医护人员的培训和认证至关重要。然而，当前方法依赖专家手动反馈，这种反馈方式主观、耗时耗力，且存在评估者间可靠性差和光环效应的问题。本文提出了一个用于评估ETI技能的框架，支持单视角和多视角视频。该框架包含两个阶段：首先，利用2D卷积自编码器（AE）和预训练的自监督网络从视频中提取特征；其次，采用带有跨视角注意力模块的1D卷积网络，以AE提取的特征为输入，输出技能评估预测。ETI数据集分为两个阶段收集。第一个阶段中，ETI由两组受试者（专家和初学者）执行。第二个阶段中，初学者受时间压力进行ETI，结果要么成功，要么失败。还分析了来自单头戴式摄像机的专家和初学者视频数据集。该研究在识别专家/初学者试验方面实现了100%的准确率。在第二个阶段，模型对成功/失败程序的分类准确率为85%。使用头戴式摄像机alone时，模型在专家和初学者分类方面达到96%的准确率，同时保持85%的成功/失败分类准确率。此外，还展示了GradCAM，用于解释专家与初学者行为以及成功与失败试验之间的差异。该方法提供了一种可靠且客观的ETI技能自动评估方法。
引用
@article{arxiv.2404.11727,
title = {Deep Learning for Video-Based Assessment of Endotracheal Intubation Skills},
author = {Jean-Paul Ainam and Erim Yanik and Rahul Rahul and Taylor Kunkes and Lora Cavuoto and Brian Clemency and Kaori Tanaka and Matthew Hackett and Jack Norfleet and Suvranu De},
journal= {arXiv preprint arXiv:2404.11727},
year = {2024}
}