[論文レビュー] An AI Framework for Microanastomosis Motion Assessment

Yan Meng, Eduardo Torres-Rodríguez+6 more|arXiv (Cornell University)|Jan 28, 2026

Surgical Simulation and Training被引用数 0

ひとこと要約

この論文は、YOLOベースの検出、DeepSORT追跡、器具先端の定位、NOMATベースの技能分類を用いた微小吻合器具操作の自動評価のエンドツーエンドAIフレームワークを提案し、高い検出精度と専門家評価との堅実な一致を達成している。

ABSTRACT

Proficiency in microanastomosis is a fundamental competency across multiple microsurgical disciplines. These procedures demand exceptional precision and refined technical skills, making effective, standardized assessment methods essential. Traditionally, the evaluation of microsurgical techniques has relied heavily on the subjective judgment of expert raters. They are inherently constrained by limitations such as inter-rater variability, lack of standardized evaluation criteria, susceptibility to cognitive bias, and the time-intensive nature of manual review. These shortcomings underscore the urgent need for an objective, reliable, and automated system capable of assessing microsurgical performance with consistency and scalability. To bridge this gap, we propose a novel AI framework for the automated assessment of microanastomosis instrument handling skills. The system integrates four core components: (1) an instrument detection module based on the You Only Look Once (YOLO) architecture; (2) an instrument tracking module developed from Deep Simple Online and Realtime Tracking (DeepSORT); (3) an instrument tip localization module employing shape descriptors; and (4) a supervised classification module trained on expert-labeled data to evaluate instrument handling proficiency. Experimental results demonstrate the effectiveness of the framework, achieving an instrument detection precision of 97%, with a mean Average Precision (mAP) of 96%, measured by Intersection over Union (IoU) thresholds ranging from 50% to 95% (mAP50-95).

研究の動機と目的

• 神経外科トレーニングにおける客観的でスケーラブルな顕微外科技能評価の必要性に対処する。
• 微小吻合における器具操作評価を自動化するエンドツーエンドAIシステムを開発する。
• 堅牢な検出、追跡、先端定位、専門家ラベル付けされた技能分類を統合する。
• トレーニング環境に適したリアルタイムでハードウェア効率の高い評価を提供する。

提案手法

• フレームあたり2本の器具制約と異なるタイプを持つカスタマイズ済みYOLOv11モデルによる器具検出。
• YOLO検出をDeepSORTより優先し、IDの一貫性を保つハイブリッド器具追跡で時間的ロバスト性を向上。
• コサイン類似度で参照記述子と一致する多点形状ディスクリプタを用いた器具先端の定位。
• 専門家ラベル付きNOMATベースの評価に基づく監視付き分類モジュールを訓練し、器具操作熟練度を評価。
• 器具先端の軌跡からの運動特徴量（速度、加速度、ジャーク）をTSFreshベースで拡張可能な特徴表現に抽出し、勾配ブ boostingで技能分類。

実験結果

リサーチクエスチョン

• RQ1 YOLOベースの検出器を微小手術器具のバリエーションに対応させて微小吻合ビデオで器具検出はどれくらい正確に行えるか。
• RQ2 統合された追跡と先端定位は客観的な技能評価のための信頼性の高い連続運動データを提供できるか。
• RQ3 NOMATラベルで訓練された監視型モデルは専門家の評価を技能カテゴリ間でどれくらい再現できるか。
• RQ4 提案フレームワークのトレーニング環境におけるリアルタイム計算性能はどの程度か。

主な発見

クラス	画像数	総インスタンス数	精度	再現率	mAP50	mAP50–95	回復	訂正
all	4174	9417	0.969	0.966	0.989	0.906	0.987	0.906
scissors_c	398	398	0.981	0.960	0.992	0.976	0.992	0.864
scissors_s	70	70	0.921	1	0.995	0.979	0.995	0.872
needle_driver_c	2861	2861	0.989	0.975	0.993	0.973	0.989	0.902
needle_driver_s	3669	3779	0.986	0.975	0.992	0.965	0.994	0.895
needle	2309	2309	0.971	0.918	0.972	0.872	0.963	0.997

• 器具検出の全体精度: 0.969、mAP50 0.987、mAP50–95 0.906。
• 平均リアルタイム処理速度: 29.7フレーム/秒。
• 総合技能分類精度: 0.87、Poor, Moderate, Goodのカテゴリで。
• カテゴリ別の技能指標はModerateおよびGoodで良好、Poorでの性能は注釈付与のばらつきとデータセットサイズの問題を示唆。
• 追跡の改善によりYOLOの誤分類や見逃しに対する回復率0.987、訂正率0.906、修正率で高い回復と訂正を達成。
• 器具先端の定位はフレーム間で高い空間精度を維持し、信頼性の高い後方運動解析を可能に。