ExpOS：基于 3D 手部重建的可解释开放手术技能评估
计算机视觉与模式识别
2026-05-25 v1
摘要
及时和透明的反馈对有效的手术培训至关重要，但当前评估仍依赖专家观察，限制了可扩展性和自主实践的机会。我们提出 ExpOS，一个用于数据驱动开放手术技能评估的可解释框架，旨在实现自动、反馈导向的评估。ExpOS 不依赖专家定义的指标，而是直接从运动数据中学习判别性时序模式，并识别最具预测技能水平的片段和行为。我们在 221 份医学生完成三项开放手术任务的视频上训练和评估该方法。从每帧提取手部姿态和工具检测，以派生运动描述子和全局运动统计信息。使用带注意力池化的时序卷积主干网络建模手工具动动态，生成帧级重要性图。将这些表示与全局运动统计信息融合，用于预测技能水平并提供可解释反馈。ExpOS 通过注意力权重识别信息性事件发生的时间，通过全局特征分析识别哪些运动特征最影响预测，从而提供多层次可解释性。在各任务上，该框架与专家评级高度相关，最佳性能表现为 fascial closure（r = 0.778，R2 = 0.74）。这些结果表明，将弱监督时序重要性学习与可解释运动统计信息结合，实现了可扩展且可操作的手术技能评估。
引用
@article{arxiv.2605.23653,
title = {ExpOS: Explainable Open-Surgery Skills Assessment Using 3D Hand Reconstruction},
author = {Roi Papo and Idan Smoller and Shlomi Laufer},
journal= {arXiv preprint arXiv:2605.23653},
year = {2026}
}
备注
10 pages, 4 figures