评估基于视频的视频评估在囊中术内外科技能的通用性

科学领域:

• 眼科医生 眼科 眼科
• 计算机科学 计算机科学
• 外科教育的外科教育

背景情况:

• 术内外科手术技能评估对于外科医生的培训和认证至关重要.
• 深度学习模型用于基于视频的外科技能评估 (VBA) 的通用性尚未评估.
• 评估域调整技术是改善不同数据集模型性能的关键.

研究的目的:

• 评估无监督域适应 (UDA) 和半监督域适应 (SSDA) 方法在外科技能的 VBA 中的概括性.
• 通过在一个数据集上进行训练,在另一个数据集上进行测试,来评估囊脊外科手术中的模型性能.
• 使用公共数据集建立VBA模型通用性的基准.

主要方法:

• 利用了两个数据集 (D99和白内障-101) 和两个最先进的囊 VBA 模型.
• 采用卷积神经网络 (CNN) 进行特征提取,其次是长短期记忆 (LSTM) 或变压器网络.
• 增强的CNN和LSTM模型具有注意力模块,并使用精度,灵敏度,特异性和AUC评估性能.

主要成果:

• 最大平均差异 (MMD) 对CNN-LSTM显示了有限的改善,但增强了CNN-变压器的概括性.
• 群组分布性稳健的监督学习 (SSDA方法) 在大多数评估的案例中提高了概括性.
• 所有测试的域调整方法都提高了模型性能,但仍然低于数据集内性能水平.

结论:

• 领域适应技术在改善外科技能的VBA通用性方面表现有前途.
• 目前的方法不足以实现数据集内的性能,这表明需要进一步研究.
• 该研究为未来的VBA模型开发和比较提供了公开数据集上的有价值的基准.