关节镜外科培训的基础及其他方面:强化学习的探索和基准
Ivan Ovinnikov1, Ami Beuret2, Flavia Cavaliere2
1Department of Computer Science, ETH Zürich, Zurich, Switzerland. ivan.ovinnikov@inf.ethz.ch.
概括
这项研究介绍了FASTRL,这是外科培训的强化学习基准. 它使人工智能代理人能够协助和评估学员,改善模拟中的外科技能评估.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 医疗模拟和培训 医学模拟和培训
- 外科手术技能的评估.
背景情况:
- 手术培训依赖于模拟技能发展.
- 强化学习 (RL) 为智能培训系统提供了潜力.
- 现有的手术模拟中RL的基准是有限的.
研究的目的:
- 引入FASTRL,用于模拟外科训练中的仪器操纵任务的基准.
- 为了使以人为中心的RL药物的开发,用于手术辅助和训练员评估.
- 支持基于RL的外科技能评估和手术指导的研究.
主要方法:
- 来自关节镜外科培训基础 (FAST) 计划的适应模拟任务,用于RL.
- 开发了使用RL进行训练的虚拟代理,为手术学员提供协助和评分.
- 创建了一个技能绩效评估协议,使用训练有素的虚拟代理.
主要成果:
- FASTRL基准为训练RL代理人在关节镜外科模拟中提供了一个API.
- 使用启发式和学习奖励函数的评估方案准确地排列了人类的表现.
- 该系统从各种人类轨迹中强有力的恢复了地面真相排名.
结论:
- FASTRL促进了基于RL的新方法,用于技能评估和手术模拟过程中的程序协助.
- 学习奖励模型显示了对外科实习生绩效的客观评估的希望.
- 这一基准推动了人工智能在外科教育和实践中的整合.


