在一个新的VR/AR脊柱模拟器中通过机器学习揭示外科专业知识:使用转移学习和连接重量分析的多层方法
Sami Alkadri1, Rolando F Del Maestro2, Mark Driscoll3
1Musculoskeletal Biomechanics Research Lab, Department of Mechanical Engineering, McGill University, Macdonald Engineering Building, 815 Sherbrooke St W, Montreal, H3A 2K7, QC, Canada; Neurosurgical Simulation and Artificial Intelligence Learning Centre, Department of Neurology & Neurosurgery, Montreal Neurological Institute, McGill University, 2200 Leo Pariseau, Suite, 2210, Montreal, H2X 4B3, Quebec, Canada.
Computers in biology and medicine
|June 30, 2024
概括
转移学习显著提高了评估虚拟手术性能的人工神经网络的准确性,克服了手术模拟培训中小型数据集的局限性. 这增强了外科手术技能评估和培训平台验证.
科学领域:
- 神经外科 神经外科
- 手术模拟器手术模拟器
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 具有机器学习的虚拟现实和增强现实外科模拟器对于心理运动技能培训和性能分析至关重要.
- 试验中的小样本大小限制了模型的概括性,尽管像连接权重算法这样的有希望的方法.
- 数据增强和转移学习提供解决方案,以克服外科模拟研究中的数据限制.
研究的目的:
- 评估人工神经网络 (ANN) 的有效性,并转移学习算法来评估虚拟手术性能.
- 在增强现实和虚拟现实环境中,将这些算法应用于模拟的斜侧腰间体融合技术.
主要方法:
- 开发并将ANN算法集成到一个新的模拟器平台中,生成276个性能指标 (运动,安全,效率).
- 员工通过使用类似的脊柱模拟器从预训练的ANN模型中转移学习,以增强对有限数据集的训练.
- 训练了两个模型:一个独立模型和一个转移学习模型,使用27名参与者的数据 (初级居民,高级居民,后居民).
主要成果:
- 独立模型达到75%的测试准确率,而转移学习模型达到87.5%的测试准确率.
- 与从头开始的培训相比,转移学习显著提高了绩效分类的准确性.
结论:
- 使用转移学习和数据增强的新框架有效地解决了手术模拟中的有限数据集.
- 该研究验证了连接权重算法的使用,并提高了手术培训中的性能分类的精度.
- 这些方法促进了虚拟外科培训平台的验证,并改善了外科技能的评估.
