在使用EEG,眼睛追踪和机器学习的机器人辅助手术中,分类子任务类型和技能水平
Somayeh B Shafiei1, Saeed Shadpour2, James L Mohler3
1The Intelligent Cancer Care Laboratory, Department of Urology, Roswell Park Comprehensive Cancer Center, Buffalo, NY, 14263, USA. Somayeh.besharatshafiei@roswellpark.org.
Surgical endoscopy
|July 22, 2024
概括
使用脑电图 (EEG) 和眼睛跟踪数据的机器学习模型可以准确地分类机器人辅助手术 (RAS) 的子任务和技能水平. 这种方法增强了对外科教育和患者安全的客观评估.
科学领域:
- 机器人和机器学习在外科手术中的应用
- 生物医学信号处理
- 手术教育技术 技术手术教育
背景情况:
- 在机器人辅助手术 (RAS) 中,对手术技能的客观评估对于培训和患者安全至关重要.
- 当前的评估方法可能缺乏标准化和客观性.
- 需要新的方法来提高RAS技能评估的精度.
研究的目的:
- 引入和评估机器学习 (ML) 技术,以识别外科手术的子任务,并对RAS的技能水平进行分类.
- 使用脑电图 (EEG) 和眼睛跟踪数据进行客观技能评估.
- 为了比较不同ML模型在RAS性能分类中的性能.
主要方法:
- 从外科医生收集了EEG和眼睛跟踪数据,他们对猪进行了九个不同的RAS子任务.
- 采用了四种ML模型:物流回归,随机森林,梯度增强和极端梯度增强 (XGB) 进行多类分类.
- 使用了80/20的列车测试分割,通过五倍交叉验证的网格搜索优化了超参数,并通过30次列车测试分割的代确保了可靠性.
主要成果:
- 与现有方法相比,ML方法在RAS子任务和技能水平的分类方面表现优异.
- XGB和随机森林模型的高准确率分别为88.49%和88.56%,两者之间没有显著差异.
- 这些模型成功地根据神经生理学和视觉数据区分了各种手术子任务和技能水平.
结论:
- 机器学习模型显示了提高RAS子任务和技能评估的客观性和精度的巨大潜力.
- 这项研究是朝着更精细,客观和标准化的RAS培训和能力评估迈出的一步.
- 未来的研究应该专注于优化模型,以满足本研究中发现的具有挑战性的子任务类.
