力量概况作为外科医生特定的签名
Amir Baghdadi1, Eddie Guo1, Sanju Lama1
1From the Project neuroArm, Department of Clinical Neurosciences, and Hotchkiss Brain Institute University of Calgary, Calgary, Alberta, Canada.
概括
外科医生拥有独特的力量概况,深度学习模型可以识别,从而实现个性化的反和技能跟踪. 这一突破允许客观地评估手术技术和性能.
科学领域:
- 神经外科 神经外科
- 手术机器人手术机器人手术机器人手术机器人
- 机器学习 机器学习
背景情况:
- 手术室外科医生的表现受到研究不足.
- 传感器外科设备和深度学习提供了新的定量见解.
- 之前的工作确定了外科医生部队概况,技能和任务,但没有确定个人外科医生身份.
研究的目的:
- 调查一下外科医生独特的力量概况是否可以识别他们.
- 探索基于工具-组织力量的外科医生识别的深度学习架构.
- 分析力数据模式,以区分外科手术技术.
主要方法:
- 使用SmartForceps系统获取时间序列工具-组织力数据.
- 研究了多个神经网络架构 (ResNet,XGBoost,CNNs,LSTM).研究了多个神经网络架构 (ResNet,XGBoost,CNNs,LSTM).
- 数据分为培训 (80%),验证 (10%) 和测试 (20%) 集;通过亚抽样解决了数据不平衡.
主要成果:
- 最好的模型 (时间序列ResNet + XGBoost) 实现AUC为0.97,F1得分为0.82.
- 卷积神经网络 (CNN) 在性能和速度方面超过了LSTM.
- 一个整体模型识别了专家外科医生,在验证数据上准确率为83.8%.
结论:
- 外科医生表现出独特的力量概况,可以通过深度学习来识别.
- 开发的模型可以为外科医生提供定量反和跟踪技能进展.
- 外科医生识别有助于将手术表现与患者结果相关联.
