一种深度学习方法来分类微手术中的外科技能,使用来自新型传感外科手套的力量数据
Jialang Xu1,2, Dimitrios Anastasiou1,2, James Booker1,3
1Wellcome/EPSRC Centre for Interventional and Surgical Sciences, University College London, London W1W 7TY, UK.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了深度学习模型,以使用传感手套的力数据来评估外科技能. 卷积深度神经网络 (CLDNN) 和时间卷积网络 (TCN) 模型实现了高精度,证明了力量数据在技能评估中的价值.
科学领域:
- 外科手术技能的评估.
- 医疗机器人和技术 医疗机器人和技术
- 医疗保健中的机器学习
背景情况:
- 微手术是一个技术要求很高的领域,需要客观的外科技能评估.
- 手术工具和组织之间的相互作用力是手术技能的关键指标.
- 现有的技能评估方法可能缺乏客观的定量指标.
研究的目的:
- 评估深度学习架构对分类外科手术技能水平的有效性.
- 为了研究一种新型传感器手套捕获的力量数据的实用性.
- 提出和验证数据增强技术,以提高模型性能.
主要方法:
- 使用了六个深度学习架构 (LSTM,GRU,Bi-LSTM,CLDNN,TCN,变压器).
- 在微手术任务期间,利用传感器手套的力量数据进行了微手术.
- 应用了六种数据增强技术来增强模型训练.
- 进行了定量和定性分析,包括交叉验证和可解释的可视化.
主要成果:
- 卷积深度神经网络 (CLDNN) 实现了96.16%的准确性.
- 时间卷积网络 (TCN) 实现了97.45%的准确性.
- 在手术技能分类中,CLDNN和TCN都表现出卓越的表现.
结论:
- 深度学习模型,特别是CLDNN和TCN,在分类外科手术技能水平方面是有效的.
- 通过传感器手套获得的力量数据为外科手术技巧提供了宝贵的见解.
- 这些发现支持将传感器工具和人工智能集成到客观的外科培训和评估中.
