液体白盒模型作为一种可解释的手术人工智能
Homer A Riva-Cambrin1, Rahul Singh1, Sanju Lama1
1Project neuroArm, Dept. Of Clinical Sciences, Cumming School of Medicine, University of Calgary, Calgary, Alberta, Canada.
NPJ digital medicine
|June 19, 2025
概括
本研究介绍了可解释的人工智能 (AI) 模型,用于实时手术数据分析,改善外科医生的反和培训. 人工智能模型通过透明的决策过程提高了外科安全和标准化.
科学领域:
- 医疗人工智能 医疗人工智能
- 外科信息学外科信息学
- 医疗保健中的机器学习
背景情况:
- 实时手术数据分析对于提高外科医生的反,学习和表现至关重要.
- 数据驱动的系统承诺更安全,更标准化的手术和加速培训.
- 人工智能 (AI) 可以解决人类和古典计算的局限性,以有效处理信息.
研究的目的:
- 开发可解释的AI模型,用于手术任务和技能分类.
- 为人工智能驱动的外科决策提供透明的解释.
- 调查使用液态时常数模型在约束条件下提高性能.
主要方法:
- 开发两个不同的AI模型:一个用于手术任务分类,另一个用于技能分类.
- 实现可解释性特征以阐明模型决策流程.
- 调查液态时间常数模型,以提高性能和可解释性.
主要成果:
- 成功创建了能够对手术任务和技能进行分类的AI模型.
- 证明模型能够预测和解释手术决策的能力.
- 展示了液态时间常数模型在受限制环境中的有效性.
结论:
- 可解释的AI模型可以显著改善实时手术数据的理解和应用.
- 透明的人工智能决策对于稳健的模型开发和在外科手术中的采用至关重要.
- 液态时间常数模型为开发在手术环境中有效和可解释的AI提供了一个有希望的方法.


