Chirurgische Fähigkeiten anhand kinematischer Daten mittels konvolutiver Neuronalen Netze bewerten

Die Notwendigkeit der automatischen Bewertung chirurgischer Fähigkeiten nimmt zu, insbesondere da die manuelle Rückmeldung von erfahrenen Chirurgen an weniger erfahrene Kollegen subjektiv und zeitaufwendig ist. Daher stellt die Automatisierung der Bewertung chirurgischer Fähigkeiten einen sehr wichtigen Schritt zur Verbesserung der chirurgischen Praxis dar. In dieser Arbeit haben wir ein Faltungsneuronales Netzwerk (Convolutional Neural Network, CNN) entwickelt, um die Fähigkeiten von Chirurgen durch das Extrahieren von Mustern in den während roboterassistierter Chirurgie ausgeführten Bewegungen zu bewerten. Die vorgeschlagene Methode wurde am JIGSAWS-Datensatz validiert und erzielte sehr wettbewerbsfähige Ergebnisse mit einer Genauigkeit von 100 % bei den Näh- und Nadelübertragungsaufgaben. Während wir von der Effizienz der CNNs profitierten, gelang es uns auch, den Black-Box-Effekt zu mindern, indem wir Klassenaktivierungskarten (Class Activation Map) verwendeten. Diese Funktion ermöglicht es unserer Methode, automatisch jene Teile des chirurgischen Vorgangs hervorzuheben, die die Fähigkeitsvorhersage beeinflusst haben, und kann verwendet werden, um die Klassifizierung zu erklären und personalisiertes Feedback dem Auszubildenden zu geben.