[论文解读] 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 4

一句话总结

本文提出一种基于学习的方法，利用术中信号检测腹腔镜胆囊切除术的手术流程阶段。通过结合随机森林（RF）与隐马尔可夫模型（HMM），该方法实现了最高82%的准确率，显著优于仅使用RF（64–72%）的表现，证明了将序列建模与监督分类相结合在手术情境感知中的有效性。

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.

研究动机与目标

• 通过实时术中信号自动检测腹腔镜胆囊切除术的当前阶段。
• 评估并比较随机森林（RF）与隐马尔可夫模型（HMM）在手术流程阶段检测中的性能。
• 研究数据预处理、滤波与特征增强对检测准确率的影响。
• 探索RF与HMM融合以提升手术阶段的时序建模能力。
• 为智能手术室系统实现手术流程的机器可读表示。

提出的方法

• 本研究使用手术室内医疗设备的术中信号作为输入特征。
• 在多种数据配置下训练随机森林，包括原始数据、滤波后数据及增强后的传感器数据。
• 应用隐马尔可夫模型对手术阶段的时序演变进行建模。
• 采用混合方法，结合RF进行特征级分类与HMM进行序列建模，以提升阶段转换的检测能力。
• 测试了多种数据组合，包括时间序列特征与信号统计量。
• 通过腹腔镜胆囊切除术手术数据集上的准确率指标评估模型性能。

实验结果

研究问题

• RQ1 随机森林利用术中信号对手术流程阶段的分类准确率如何？
• RQ2 隐马尔可夫模型是否能通过建模时序依赖关系提升阶段检测准确率？
• RQ3 数据预处理与特征工程对分类性能有何影响？
• RQ4 将RF与HMM结合是否优于单独使用任一方法？
• RQ5 混合学习系统能否在临床集成中实现对手术阶段的实时可靠检测？

主要发现

• 仅使用随机森林在不同数据配置下分类准确率在64%至72%之间。
• 随机森林与隐马尔可夫模型结合后，准确率提升至80%至82%之间。
• 混合RF-HMM模型优于独立的RF模型，证明了将序列建模与监督分类结合的优势。
• 滤波与增强后的数据表现优于原始传感器数据，表明特征工程具有重要价值。
• 结果表明，时序建模对准确的手术流程检测至关重要。
• 本研究证实了利用机器学习从多模态术中信号推断手术阶段状态的可行性。