相关实验视频
Updated: Jan 16, 2026
05:42
Development of a Murine Model for Femoral Artery Anastomotic Stenosis
Published on: April 18, 2025
611
以人工智能为基础的深度学习模型用于评估微血管解剖的程序一致性
Jiuxu Chen1,2, Thomas J On1, Yuan Xu1
11The Loyal and Edith Davis Neurosurgical Research Laboratory, Barrow Neurological Institute, St. Joseph's Hospital and Medical Center, Phoenix, Arizona.
Journal of neurosurgery
|September 26, 2025
概括
使用长期短期记忆 (LSTM) 的深度学习模型准确地评估了神经外科训练中的微解功能. 这种对技能的客观评估为传统的主观方法提供了精确的替代方案.
科学领域:
- 神经外科 神经外科
- 进行外科手术培训.
- 人工智能的人工智能
背景情况:
- 在神经外科培训中,客观地评估微解是至关重要的.
- 目前的评估方法是主观的,耗时的.
- 深度学习为精确的绩效分析提供了一个潜在的解决方案.
研究的目的:
- 开发和验证一个深度学习模型,用于客观地评估微解的性能.
- 使用长短期记忆 (LSTM) 架构预测和比较接执行.
- 提供一个定量衡量外科技能的一致性和精度.
主要方法:
- 开发了一个基于LSTM的神经网络,在微血管解剖模拟过程中模拟手部运动.
- 从专家神经外科医生和实习生那里收集了视频数据.
- 使用Kullback-Leibler (KL) 分歧评估模型性能,并分析运动的经济性和流量.
主要成果:
- 对于专家来说,LSTM模型准确地预测了低KL分歧值的接运动.
- 实习生表现显示了较高的KL差异,表明不太一致.
- 运动经济和流量指标的分析进一步验证了该模型的评估能力.
结论:
- 基于LSTM的模型客观地评估了微解的性能,捕捉了一致性和效率.
- 该模型提供了一种经过验证的定量方法来评估外科手术技能.
- 未来的工作将涉及更广泛的应用和性能指标解释的完善.
