تقييم المهارات الجراحية من البيانات الحركية باستخدام الشبكات العصبية المتكررة

يزداد الطلب على تقييم المهارات الجراحية بشكل آلي، خاصةً لأن الردود اليدوية من الجراحين ذوي الخبرة الذين يراقبون الجراحين المبتدئين عرضة للذاتية وتستغرق وقتًا طويلاً. لذلك، فإن تلقين عملية تقييم المهارات الجراحية خطوة مهمة للغاية نحو تحسين الممارسة الجراحية. في هذا البحث، صممنا شبكة عصبية تقنية التعلم العميق من النوع الشبكة العصبية التلافيفية (CNN) لتقييم مهارات الجراح من خلال استخراج الأنماط في الحركات التي يقوم بها الجراح أثناء الجراحة الروبوتية. تم التحقق من صحة الطريقة المقترحة باستخدام مجموعة بيانات JIGSAWS وحققت نتائج تنافسية جدًا بدقة 100% في مهام الخياطة ونقل الإبرة. بينما استفدنا من كفاءة شبكات CNN، فقد نجحنا أيضًا في تخفيف تأثير الصندوق الأسود الخاص بها باستخدام خريطة التنشيط الفئة (Class Activation Map). هذه الميزة تتيح لطريقتنا تسليط الضوء بشكل آلي على أجزاء مهمة من العملية الجراحية التي أثرت على التنبؤ بالمهارات ويمكن استخدامها لتوضيح التصنيف ولتقديم ردود فعل مخصصة للمتدرب.