[논문 리뷰] Surgical task expertise detected by a self-organizing neural network map

Birgitta Dresp, Rongrong Liu외 1명|arXiv (Cornell University)|2021. 06. 03.

Soft Robotics and Applications참고 문헌 13인용 수 4

한 줄 요약

이 연구는 로봇 수술 시뮬레이터에서 수집한 양손의 손잡이 힘 프로파일을 분석함으로써 수술 기술 숙련도를 감지하기 위해 자가조직화 맵(SOM) 신경망을 제안한다. 프라임트의 피부감각 신경 구조를 모델로 삼은 이 SOM은 통계적으로 유의미한 손잡이 힘 변동성의 차이를 기반으로 숙련자와 초보자를 정확하게 구분하며, 수술 기술 평가의 생물학적 지표로의 잠재력을 보여준다.

ABSTRACT

Individual grip force profiling of bimanual simulator task performance of experts and novices using a robotic control device designed for endoscopic surgery permits defining benchmark criteria that tell true expert task skills from the skills of novices or trainee surgeons. Grip force variability in a true expert and a complete novice executing a robot assisted surgical simulator task reveal statistically significant differences as a function of task expertise. Here we show that the skill specific differences in local grip forces are predicted by the output metric of a Self Organizing neural network Map (SOM) with a bio inspired functional architecture that maps the functional connectivity of somatosensory neural networks in the primate brain.

연구 동기 및 목표

• 로봇 수술 시뮬레이터에서의 생체역학적 성능 데이터를 활용해 수술 숙련도의 객관적이고 정량적인 지표를 규명하기 위해.
• 훈련 환경에서 수술 기술 평가가 주관적이고 일관성 없이 이루어지는 문제를 해결하기 위해.
• 수술 작업 수행과 관련된 피부감각 처리의 功能적 연결 패턴을 반영하는 생물학적으로 영감을 받은 신경망 모델을 개발하기 위해.
• 자기조직화 맵(SOM)이 시뮬레이션된 내 endoscopic 작업 동안의 손잡이 힘 변동성에 기반해 숙련도 수준을 탐지하고 분류할 수 있는지 평가하기 위해.
• 진정한 숙련자 성능의 기준 기준을 설정하기 위해 숙련자와 초보자 간의 손잡이 힘 역학을 비교함으로써.

제안 방법

• 내시경 수술을 위한 로봇 제어 장치를 통해 데이터를 수집하고, 작업 수행 중 양손의 손잡이 힘 프로파일을 기록함.
• 표준화된 시뮬레이터 작업 동안 숙련자와 초보자 수술의 손잡이 힘 신호를 변동성과 시간적 패턴 측면에서 분석함.
• 영양소 기반 기능적 구조를 가진 자기조직화 맵(SOM)을 훈련하여 영양소 피부감각 네트워크를 모방한 기능적 연결 패턴을 모델링함.
• SOM은 원시 손잡이 힘 데이터를 처리하여 촉각 및 운동 피드백을 신경 유사 방식으로 처리한 토폴로지 지도를 생성함.
• SOM의 출력 지표를 사용해 힘 패턴의 공간적 조직화와 안정성에 기반해 숙련도 수준을 분류하고 비교함.
• 통계적 분석을 통해 숙련자와 초보자 간의 손잡이 힘 변동성을 비교하여 SOM 기반 분류 성능를 검증함.

실험 결과

연구 질문

• RQ1 로봇 수술 시뮬레이션 중 손잡이 힘 변동성이 숙련자와 초보자 성능를 구분할 수 있는가?
• RQ2 생물학적으로 영감을 받은 아키텍처를 가진 자기조직화 맵(SOM)이 손잡이 힘 역학의 기술 특화 차이를 탐지하고 표현하는 데 얼마나 효과적인가?
• RQ3 SOM의 출력 지표는 생체역학적 성능에 기반해 수술 작업 숙련도를 신뢰할 수 있는 예측자인가?
• RQ4 SOM의 토폴로지 패턴은 수술 기술과 관련된 피부감각 처리의 기능적 연결을 어떻게 반영하는가?
• RQ5 SOM 모델은 훈련 환경에서 수술 기술 평가의 정량적 기준으로 기능할 수 있는가?

주요 결과

• 로봇 보조 수술 시뮬레이터 작업 중 진정한 숙련자와 완전한 초보자 사이에서 손잡이 힘 변동성에 유의미한 차이가 관찰됨.
• 자기조직화 맵(SOM)은 손잡이 힘 데이터의 기술 특화 패턴을 성공적으로 포착하였으며, 숙련자와 초보자 간에 명확한 토폴로지 조직이 구분됨.
• SOM의 출력 지표는 생체역학적 성능에 기반해 수술 숙련도를 식별하는 데 강력한 예측 능력을 보임.
• 영양소 피부감각 네트워크를 모델로 삼은 SOM의 기능적 아키텍처는 기술 수행과 관련된 뇌의 기능적 연결 패턴을 효과적으로 매핑함.
• 손잡이 힘 프로파일링과 SOM 기반 분석을 통해 숙련자 수준 성능에 대한 정량적 기준을 수립함.
• 결과는 SOM이 훈련 및 평가 환경에서 객관적인 수술 기술 평가를 위한 새로운 생물학적으로 타당한 도구로 사용될 수 있음을 지지함.