一种深度学习方法,用于客观评估微观神经钻孔骨切割技能

科学领域:

• 神经外科 神经外科
• 医疗教育 医学教育
• 人工智能的人工智能

背景情况:

• 最少侵入性神经外科手术需要精确的微钻,但目前的培训缺乏自动化技能评估.
• 现有的方法依赖于手动评估和有限的数据集,阻碍了深度学习应用.
• 自动化,个性化的反对于实习神经外科医生至关重要.

研究的目的:

• 开发一个用于微观神经钻孔技能评估的自动化系统.
• 为了应对超低数据设置的挑战,在训练外科技能评估的深度学习模型中.
• 创建一个全面的,注释数据集,用于神经钻井训练.

主要方法:

• 开发了一个几何顺序学习框架来训练基于变压器的深度学习模型.
• 该框架用于估计技能等级,并自动检测钻探区域.
• 创建并使用了来自各种标本的435个微钻图像的数据集.

主要成果:

• 拟议的模型实现了0.77的平均平方误差 (MSE) 和95.17%的±1精度.
• 该框架在最先进的变压器架构中将±1精度提高了24.71%.
• 该系统在MSE和±1准确性方面都超过了独立的专家评估员.

结论:

• 介绍了第一个注释良好的数据集和用于微观神经钻探的自动化技能评估系统.
• 该自动化系统超过了专家的性能,为全球神经外科培训提供了一个公正的工具.
• 开发的框架和数据集促进了人工智能驱动的外科教育的进步.