[論文レビュー] Learning-based Surgical Workflow Detection from Intra-Operative Signals

Ralf Stauder, Ergün Kayis+1 more|arXiv (Cornell University)|Jun 2, 2017

Surgical Simulation and Training参考文献 12被引用数 4

ひとこと要約

本論文では、手術内信号を用いて腹腔鏡胆嚢切除術の手術プロセス段階を学習ベースで検出する手法を提案する。ランダムフォレスト（RF）と隠れマルコフモデル（HMM）を組み合わせることで、RF単体（64–72%）に比べて顕著に優れた82%の正確度を達成し、手術状況認識のための逐次モデリングと監視分類の統合の有効性を示している。

ABSTRACT

A modern operating room (OR) provides a plethora of advanced medical devices. In order to better facilitate the information offered by them, they need to automatically react to the intra-operative context. To this end, the progress of the surgical workflow must be detected and interpreted, so that the current status can be given in machine-readable form. In this work, Random Forests (RF) and Hidden Markov Models (HMM) are compared and combined to detect the surgical workflow phase of a laparoscopic cholecystectomy. Various combinations of data were tested, from using only raw sensor data to filtered and augmented datasets. Achieved accuracies ranged from 64% to 72% for the RF approach, and from 80% to 82% for the combination of RF and HMM.

研究の動機と目的

• リアルタイムの手術内信号を用いて、腹腔鏡胆嚢切除術の現在の段階を自動的に検出すること。
• ランダムフォレスト（RF）と隠れマルコフモデル（HMM）の手術プロセス段階検出における性能を評価・比較すること。
• データ前処理、フィルタリング、特徴拡張の影響が検出正確度に与える影響を調査すること。
• RFとHMMの統合による、手術段階のより良い時系列モデリングを検討すること。
• 知的オペレーティングルームシステム向けに、手術プロセスの機械可読表現を可能にすること。

提案手法

• 研究は、手術室の医療機器からの手術内信号を入力特徴として用いる。
• ランダムフォレストは、生データ、フィルタリング済みデータ、拡張済みセンサデータを含むさまざまなデータ設定で学習される。
• 隠れマルコフモデルは、手術段階の時系列的進行をモデル化するために適用される。
• ハイブリッド手法では、RFを特徴レベルの分類に、HMMを時系列モデリングに用い、段階遷移の検出を向上させる。
• 時系列特徴と信号統計量の導出を含む、複数のデータ組み合わせがテストされた。
• モデルの性能は、腹腔鏡胆嚢切除手術プロシージャのデータセットを用いた正確度指標で評価された。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレストは、手術内信号を用いてどの程度正確に手術プロセス段階を分類できるか？
• RQ2 隠れマルコフモデルは、時系列的依存関係をモデル化することで段階検出の正確度を向上させられるか？
• RQ3 データ前処理と特徴工学の分類性能への影響は何か？
• RQ4 RFとHMMを組み合わせることで、単体のいずれよりも優れた結果が得られるか？
• RQ5 ハイブリッド学習ベースのシステムは、臨床統合に向けたリアルタイムでの手術段階検出を信頼性を持って行えるか？

主な発見

• ランダムフォレスト単体では、さまざまなデータ設定において64%から72%の分類正確度を達成した。
• ランダムフォレストと隠れマルコフモデルの組み合わせにより、正確度が80%から82%に向上した。
• ハイブリッドRF-HMMモデルは、単体のRFを上回り、逐次モデリングと監視分類の統合の利点を示した。
• フィルタリング済みおよび拡張済みデータは、生センサデータよりも性能を向上させたことから、特徴工学の価値が示された。
• 結果から、正確な手術プロセス段階検出には時系列モデリングが不可欠であると示唆された。
• 本研究は、マルチモーダルな手術内信号から機械学習を用いて手術段階状態を推定することが可能であることを確認した。