基于光流衍生的运动生物标志物与可解释性人工智能用于机器人手术专业能力的定量评估
《Surgical Innovation》:Optical Flow–Derived Motion Biomarkers and Explainable Artificial Intelligence for Quantitative Assessment of Robotic Surgical Expertise
【字体:
大
中
小
】
时间:2026年10月09日
来源:Surgical Innovation 1.6
编辑推荐:
摘要背景在机器人辅助手术中,客观评估外科手 skill 仍然是一个挑战。现有的人工智能框架往往依赖于机器人遥测数据或"黑箱"深度学习模型,这些方法降低了可解释性和转化应用的可行性。方法本研究开发了一个可解释的计算机视觉框架,用于定量分析机器人手术运动,该框架直接利用从手术录像
摘要
背景
在机器人辅助手术中,客观评估外科手 skill 仍然是一个挑战。现有的人工智能框架往往依赖于机器人遥测数据或"黑箱"深度学习模型,这些方法降低了可解释性和转化应用的可行性。
方法
本研究开发了一个可解释的计算机视觉框架,用于定量分析机器人手术运动,该框架直接利用从手术录像中提取的密集光流衍生生物标志物。使用基于Python/OpenCV的处理流程,分析了公开可用的JIGSAWS数据集中的机器人缝合手术视频。提取并评估了定量运动生物标志物,包括运动幅度、时间变异性、与急动度相关的参数以及平滑度指数,涵盖专家、中级和新手三个手术技能水平组。将配对的左右立体视图取平均值,为每次独立试验生成一个特征向量。统计比较采用Kruskal-Wallis检验。技能分类采用类加权随机森林分类器进行留一用户交叉验证评估。模型预测结果通过SHapley加性解释(SHAP)进行解释。
结果
光流分析成功提取了与手术技能相关的可重复性运动生物标志物。在平均运动幅度(P = .0035)、平均绝对急动度(P = .00074)以及未归一化平滑度指数(P = .00074)方面观察到显著差异。在试验级别聚合后,运动变异性在各组之间无显著差异(P = .0769)。SPARC显示出预期的归一化平滑度排序,专家组的数值最高,但组间差异无统计学意义(P = .0647)。主成分分析显示,基于提取的运动动力学特征,手术技能水平组呈现出部分聚类趋势。在留一用户交叉验证下,随机森林分类器的总体准确率为38.5%,平衡准确率为29.5%,宏平均AUC为0.401,加权平均AUC为0.430。真实的样本外折SHAP分析表明,平滑度指数、平均绝对急动度和平均绝对加速度是对模型输出贡献最大的因素。
结论
基于光流的运动生物标志物能够在无需机器人遥测数据的情况下,直接从录像中提供对机器人手术运动的可解释特征描述。然而,在用户独立验证下表现有限,表明这些生物标志物目前尚不宜作为评估手术技能的独立指标。所提出的框架为开发和外部验证基于视频的外科技能评估方法提供了透明的基础。
获取本文的完整访问权限
查看本文的所有访问和购买选项。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号