[논문 리뷰] Learning-based Surgical Workflow Detection from Intra-Operative Signals

Ralf Stauder, Ergün Kayis외 1명|arXiv (Cornell University)|2017. 06. 02.

Surgical Simulation and Training참고 문헌 12인용 수 4

한 줄 요약

이 논문은 복강경 담낭절제술의 수술 워크플로우 단계를 내시술 기록 신호를 사용하여 학습 기반 접근법으로 탐지하는 것을 제안한다. 랜덤 포레스트(RF)와 은닉 마르코프 모델(HMM)을 조합함으로써 최대 82%의 정확도를 달성하였으며, 이는 RF 단독 사용 시의 정확도(64–72%)보다 뚜렷이 높아, 수술적 맥락 인식을 위한 순차적 모델링과 지도 학습 분류의 융합이 효과적임을 입증한다.

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.

연구 동기 및 목표

• 실시간 내시술 기록 신호를 사용하여 복강경 담낭절제술의 현재 단계를 자동으로 탐지하기 위해.
• 랜덤 포레스트(RF)와 은닉 마르코프 모델(HMM)의 수술 워크플로우 단계 탐지 성능을 평가하고 비교하기 위해.
• 데이터 전처리, 필터링, 특징 증강이 정확도에 미치는 영향을 조사하기 위해.
• 수술 단계의 시간적 모델링을 향상시키기 위해 RF와 HMM의 융합을 탐색하기 위해.
• 지능형 수술실 시스템을 위한 기계가 읽을 수 있는 수술 워크플로우 표현을 가능하게 하기 위해.

제안 방법

• 연구는 수술실 내 의료 기기에서 수집된 내시술 기록 신호를 입력 특징으로 사용한다.
• 랜덤 포레스트는 원시, 필터링된, 증강된 센서 데이터 등 다양한 데이터 구성에 대해 훈련된다.
• 은닉 마르코프 모델은 수술 단계의 시간적 진행을 모델링하기 위해 적용된다.
• 하이브리드 접근법은 특징 수준의 분류를 위해 RF를, 시퀀스 모델링을 위해 HMM을 사용하여 단계 전환 탐지 성능을 향상시킨다.
• 시간적 특징과 유도된 신호 통계량을 포함한 다양한 데이터 조합이 테스트된다.
• 모델 성능은 복강경 담낭절제술 절차 데이터셋을 사용한 정확도 지표로 평가된다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트는 내시술 기록 신호를 사용하여 수술 워크플로우 단계를 얼마나 정확하게 분류할 수 있는가?
• RQ2 은닉 마르코프 모델이 시간적 종속성을 모델링함으로써 단계 탐지 정확도를 향상시킬 수 있는가?
• RQ3 데이터 전처리 및 특징 공학이 분류 성능에 어떤 영향을 미치는가?
• RQ4 RF와 HMM을 융합하면 단독으로 사용할 경우보다 더 나은 성능을 내는가?
• RQ5 하이브리드 학습 기반 시스템은 임상 통합을 위해 실시간으로 수술 단계를 신뢰성 있게 탐지할 수 있는가?

주요 결과

• 랜덤 포레스트 단독으로 다양한 데이터 구성에서 64%에서 72%의 분류 정확도를 달성하였다.
• 랜덤 포레스트와 은닉 마르코프 모델의 조합으로 정확도가 80%에서 82%로 향상되었다.
• 하이브리드 RF-HMM 모델은 단독 RF보다 성능이 뛰어나, 순차적 모델링과 지도 학습 분류의 융합이 유의미한 이점을 제공한다는 것을 입증하였다.
• 필터링 및 증강된 데이터는 원시 센서 데이터보다 성능 향상을 보였으며, 특징 공학의 가치를 시사하였다.
• 결과적으로 시간적 모델링은 정확한 수술 워크플로우 탐지에 핵심적임을 시사한다.
• 본 연구는 다중 모odal 내시술 기록 신호에서 기계 학습을 활용해 수술 단계 상태를 추론하는 것이 가능함을 확인하였다.