[論文レビュー] Machine learning approach for skill evaluation in robotic-assisted surgery

Mahtab J. Fard, Sattar Ameri+4 more|arXiv (Cornell University)|Jan 1, 2016

Surgical Simulation and Training被引用数 5

ひとこと要約

本研究では、ロボット支援マイナーバイナリスカリー（RMIS）における外科医の熟練度を客観的に分類するための機械学習フレームワークを提案する。6つの手術行動特徴量（完了時間、経路長、奥行き認識、速度、滑らかさ、曲率）を用い、実際の手術データを用いて熟練外科医と初心者外科医を分類する手法を構築した。85.7%の正確性を達成し、既存の手術訓練システムへの統合の可能性が極めて高いことが示された。

ABSTRACT

Evaluating surgeon skill has predominantly been a subjective task. Development of objective methods for surgical skill assessment are of increased interest. Recently, with technological advances such as robotic-assisted minimally invasive surgery (RMIS), new opportunities for objective and automated assessment frameworks have arisen. In this paper, we applied machine learning methods to automatically evaluate performance of the surgeon in RMIS. Six important movement features were used in the evaluation including completion time, path length, depth perception, speed, smoothness and curvature. Different classification methods applied to discriminate expert and novice surgeons. We test our method on real surgical data for suturing task and compare the classification result with the ground truth data (obtained by manual labeling). The experimental results show that the proposed framework can classify surgical skill level with relatively high accuracy of 85.7%. This study demonstrates the ability of machine learning methods to automatically classify expert and novice surgeons using movement features for different RMIS tasks. Due to the simplicity and generalizability of the introduced classification method, it is easy to implement in existing trainers.

研究の動機と目的

• ロボット支援マイナーバイナリスカリー（RMIS）における外科スキルを客観的かつ自動的に評価する手法を開発し、主観的評価への依存を低減すること。
• RMISの手術タスク中に熟練外科医と初心者外科医を信頼性高く区別できる主要な運動特徴を特定・抽出すること。
• これらの運動特徴を用いて熟練度を区別するためのさまざまな機械学習分類器の性能を評価すること。
• 実際の手術データと手動によるラベル付けによる真値を用いて、提案されたフレームワークの妥当性を検証すること。
• 既存の手術訓練プラットフォームへの実装を念頭に、簡潔かつ汎用性の高い手法を確保すること。

提案手法

• 縫合タスク中に記録された手術運動データから、6つの運動特徴量（完了時間、経路長、奥行き認識、速度、滑らかさ、曲率）を抽出した。
• 抽出された特徴量を用いて、熟練外科医と初心者外科医のパフォーマンスを区別する複数の分類アルゴリズムを適用した。
• 分類モデルは、RMIS縫合タスク中に収集した実際の手術データを用いて訓練およびテストした。
• 外科医の熟練度に関する真値ラベルは、手術動画の手動ラベリングにより得られた。
• 標準的な分類評価指標を用いてフレームワークを評価し、主な性能指標として正確性を報告した。
• 実装の簡便さと汎用性を重視し、既存の手術シミュレーターや訓練システムへの統合を支援することを目的とした。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、運動学的特徴量を用いてRMISにおける外科医の熟練度を効果的に分類できるか？
• RQ2 どの運動特徴量の組み合わせが、熟練外科医と初心者外科医を区別する上で最大の判別力を持つか？
• RQ3 手動ラベリングによる真値データと照らし合わせた場合、提案された分類フレームワークの正確性はどの程度か？
• RQ4 この手法は、既存の手術訓練環境への導入において、どの程度汎用的で実用的か？
• RQ5 さまざまな分類アルゴリズムが、手術運動データに適用された場合、性能にどのような差が生じるか？

主な発見

• 提案された機械学習フレームワークは、RMIS縫合タスクの運動特徴を用いて熟練外科医と初心者外科医を区別する際、85.7%の分類正確性を達成した。
• 完了時間、経路長、奥行き認識、速度、滑らかさ、曲率の6つの運動特徴量は、熟練度の違いを的確に捉えるのに有効であることが示された。
• 実世界の手術データにおいても優れた性能を示し、客観的スキル評価の可能性が裏付けられた。
• フレームワークの簡潔さと汎用性のおかげで、既存の手術訓練システムやシミュレーターへの統合に適している。
• 運動学的特徴を用いた自動的・データ駆動型の外科スキル評価が、実現可能で信頼性があることが示された。
• 手術動画の手動ラベリングにより、分類モデルの学習と評価に適した有効な真値が得られた。