[论文解读] Surgical task expertise detected by a self-organizing neural network map

Birgitta Dresp, Rongrong Liu+1 more|arXiv (Cornell University)|Jun 3, 2021

Soft Robotics and Applications参考文献 13被引用 4

一句话总结

本研究提出一种自组织映射（SOM）神经网络，通过分析机器人外科模拟器中的双侧握力特征，检测外科手术技能水平。该SOM受灵长类动物体感神经架构启发，基于握力变异性的统计显著差异，准确区分专家与新手，证明其作为外科技能评估生物标志物的潜力。

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.

研究动机与目标

• 利用机器人外科模拟器中的生物力学性能数据，识别外科技能的客观、可量化的生物标志物。
• 解决训练环境中外科技能评估主观且不一致的挑战。
• 开发一种生物启发的神经网络模型，捕捉与外科任务表现相关的体感处理中的功能连接模式。
• 评估自组织映射（SOM）是否能基于模拟内镜手术中握力变异性的特征，检测并分类技能水平。
• 通过比较专家与新手的握力动态，建立真正专家表现的基准标准。

提出的方法

• 通过专为内镜手术设计的机器人控制装置采集数据，记录任务执行过程中的双侧握力特征。
• 分析专家与新手外科医生在标准模拟任务中握力信号的变异性和时间模式。
• 训练一种具有生物启发功能架构的自组织映射（SOM），以模拟灵长类动物体感网络的功能连接。
• SOM处理原始握力数据，生成反映类神经元触觉与运动反馈处理的拓扑映射。
• 利用SOM的输出指标对技能水平进行分类与比较，依据力的模式在空间上的组织结构与稳定性。
• 通过统计分析比较专家与新手的握力变异性，以验证基于SOM的分类性能。

实验结果

研究问题

• RQ1 在机器人外科模拟过程中，握力变异性能否区分专家与新手的表现？
• RQ2 具有生物启发架构的自组织映射（SOM）在多大程度上能检测并表征握力动态中的技能特异性差异？
• RQ3 SOM的输出指标是否可作为基于生物力学表现的外科任务技能水平的可靠预测因子？
• RQ4 SOM中的拓扑模式如何反映与外科技能相关的体感处理中的功能连接？
• RQ5 SOM模型能否作为训练环境中外科技能评估的定量基准？

主要发现

• 在机器人辅助外科模拟任务中，真正专家与完全新手之间观察到显著的握力变异差异。
• 自组织映射（SOM）成功捕捉了握力数据中的技能特异性模式，专家与新手表现出截然不同的拓扑组织结构。
• SOM的输出指标在基于生物力学表现识别外科技能水平方面展现出强大的预测能力。
• SOM的功能架构基于灵长类动物体感网络，有效映射了与技能执行相关的潜在神经连接模式。
• 本研究通过握力特征分析与SOM建模，建立了专家水平表现的定量基准。
• 结果支持SOM作为一种新颖且生物上合理的客观工具，用于训练与评估环境中的外科技能评估。