基于机器学习的腔内缝合在腹腔镜胃溢肠手术中的自动化评估
计算机视觉与模式识别
2025-08-19 v3 人工智能
机器学习
摘要
使用人工智能(AI)自动评估手术技能，为受训者提供即时反馈。捕获双手工具运动后，派生的运动学指标是腹腔镜任务中表现预测的可靠指标。实施自动工具跟踪需要耗时的 human 标注。我们开发了基于 Segment Anything Model (SAM) 的 AI 工具跟踪模型，以消除对人类标注员的依赖。本文描述了评估该工具跟踪模型在腹腔镜胃溢肠手术中自动化评估的有用性的研究。应用自动工具跟踪模型对猪肠进行 Nissen 胃溢肠手术的录制视频。将外科医生分为初级组(PHY1-2)和高级组(PHY3-5, attendings)。对每个缝合步骤的开始和结束进行分段，并提取左右工具的运动。使用 24 Hz 低通滤波器去除噪声。使用监督模型和无监督模型进行绩效评估，进行消失实验进行比较。运动学特征——均方根速度、均方根加速度、均方根 jerk、总路径长度和双手协调性——被提取并使用 Logistic 回归、Random Forest、支持向量分类器和 XGBoost 进行分析。对特征进行 PCA 降维。对于无监督学习，训练基于 Denoising Autoencoder(DAE)的模型，如 1-D CNN 和传统模型。共提取 28 名受试者的数据(9 名初级, 19 名高级)。监督学习结合 PCA 和 Random Forest 实现了 0.795 的准确率和 0.778 的 F1 分数。无监督的 1-D CNN 实现了更好的结果，准确率为 0.817，F1 分数为 0.806，无需计算运动学特征。我们展示了一个能够独立于人类标注进行绩效分类的 AI 模型。
引用
@article{arxiv.2412.16195,
title = {Machine Learning-Based Automated Assessment of Intracorporeal Suturing in Laparoscopic Fundoplication},
author = {Shekhar Madhav Khairnar and Huu Phong Nguyen and Alexis Desir and Carla Holcomb and Daniel J. Scott and Ganesh Sankaranarayanan},
journal= {arXiv preprint arXiv:2412.16195},
year = {2025}
}
备注
17 pages