使用3DCNNN进行模拟腹腔镜手术性能自动评估

科学领域:

• 医疗培训和模拟的医学培训.
• 计算机视觉在手术中的应用.
• 人工智能在医疗保健中的应用.

背景情况:

• 外科培训传统上依赖于视频的专家人类评估,这是耗时和昂贵的.
• 深度学习技术在分析手术视频方面表现有前途,但在手术环境中面临数据稀缺性和注释方面的挑战.
• 在微创手术中自动化绩效评估对于高效,客观的技能评估至关重要.

研究的目的:

• 引入一种新的模拟腹腔镜外科数据集 (LSPD),以解决自动化绩效评估的数据短缺问题.
• 分析LSPD数据集,以了解跨专业水平的绩效差异.
• 开发和评估一种深度学习模型,用于从手术视频中预测外科医生经验水平.

主要方法:

• 收集和统计分析LSPD数据集,比较不同技能任务 (堆,乐队,塔技能) 和专业水平的绩效指标.
• 开发一个卷积神经网络 (CNN) 模型,用于手术视频的自动分析.
• 基于视频数据的CNN模型的培训和验证,以区分新手,实习生和专家外科医生.

主要成果:

• LSPD数据集为研究自动化外科技能评估提供了宝贵的资源.
• 统计分析显示,与外科医生经验相关的绩效指标存在显著差异.
• 开发的CNN模型在区分不同级别的外科专业知识方面取得了显著的准确性,证明了自动化评估的潜力.

结论:

• 使用人工智能和计算机视觉进行自动化绩效评估可以显著提高外科训练效率.
• 提出的方法,利用手术视频的深度学习,提供了一种可扩展和客观的方法来评估外科技能.
• 这项工作为开发能够为外科实习生提供实时反和支持的智能系统奠定了基础.