.png){kind=icon}
返回
AI-Based Markerless Computer Vision Framework for Open Surgery Skill Assessment: A Prototype Assessment Framework
.png){kind=icon}
PRE
AI
DOI：10.1177/15533506261451990.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：人工智能（AI）能够从标准外科手术录像中实现手部运动追踪；然而，将这些数据转化为有意义的性能指标仍具挑战性。我们评估了一种无标记、AI驱动的系统在开放手术任务中生成交 interpretable 技术技能分数的初步有效性。方法：16名医学生和1名指导教师在佩戴运动传感器（置于手术手套下方）的情况下，使用智能手机相机记录单手打结任务。一个深度学习算法追踪21个手部关节，映射手腕轨迹并生成可视化边界，从中推导出运动学参数并将其分为三个领域，分数从0到10：运动经济性（EM）、运动流畅性（FM）和空间组织（SO）。AI指标与基于传感器的数据进行了验证。参数和领域分数与专家评估的产品质量（PQ）和技术表现（TP）进行了相关性分析，使用了经过验证的检查表。结果：分析了19次表现。AI指标与基于传感器的测量值显示出强相关性（r = 0.79-0.88，P < 0.01）。EM指标（路径长度、运动次数、任务时间）与PQ和TP相关（r = 0.59-0.67，P < 0.01）。FM领域内的平滑度与PQ和TP相关（r = 0.56-0.57，P < 0.01），而复合FM分数与TP中度相关（r = 0.44，P = 0.057）。SO领域的工作区域与TP显示出中度关联（r = 0.41，P = 0.08）。结论：该原型AI框架将手部运动学转化为可解释的、群体标准化的领域级分数，与专家评估一致。研究结果支持基于视频的运动学评分的可行性，并提供了结构有效性的初步证据。有必要进行进一步研究以确定可靠性和普适性。
Keyword:
surgical education
surgical skill assessment
artificial intelligence
computer vision
hand kinematics
markerless motion capture
deep learning
motion visualization
interpretable performance metrics
human motion analysis
期刊
IF:
1.6
论文数:
85
被引数:
1.8K
机构
引用论文
Development and Validation of Objective Performance Metrics for Robot-Assisted Radical Prostatectomy: A Pilot Study.png)
JOURNAL OF UROLOGY
OAAI
JOURNAL OF UROLOGYIF6.8
OAAI分享收藏分享收藏Deep Learning Detection of Hand Motion During Microvascular Anastomosis Simulations Performed by Expert Cerebrovascular Neurosurgeons深度学习在微血管吻合模拟操作中检测专家脑血管神经外科医生的手部运动
PREAI
分享收藏分享收藏
查看更多内容