블로그

May 13, 2024

동영상

Scientific Reports 13권, 기사 번호: 1038(2023) 이 기사 인용 1400 액세스 1 Altmetric Metrics 세부 정보 만족스러운 임상 결과를 보장하려면 수술 기술 평가가 다음과 같아야 합니다.

Scientific Reports 13권, 기사 번호: 1038(2023) 이 기사 인용

1400 액세스

1 알트메트릭

측정항목 세부정보

만족스러운 임상 결과를 보장하려면 수술 기술 평가가 객관적이고 시간 효율적이며 우선적으로 자동화되어야 합니다. 현재는 이 중 어느 것도 달성할 수 없습니다. VBA(비디오 기반 평가)는 기술 실행을 평가하기 위해 수술 중 및 시뮬레이션 설정에 배포되고 있습니다. 그러나 VBA는 수동적이고 시간 집약적이며 주관적인 해석이 가능하고 평가자 간 신뢰도가 낮습니다. 여기서는 수술 기술 획득을 안내하기 위해 비디오 피드 및 저부담 형성 평가를 기반으로 수술 기술 실행에 대한 고부담 총괄 평가를 자동으로 객관적으로 제공할 수 있는 딥 러닝(DL) 모델을 제안합니다. 형성 평가는 수술 성과와 상관관계가 있는 시각적 특징의 히트맵을 사용하여 생성됩니다. 따라서 DL 모델은 수술 훈련, 인증 및 자격 증명을 광범위하게 보급할 수 있는 가능성이 있는 비디오를 통해 수술 작업을 정량적이고 재현 가능하게 평가할 수 있는 길을 열어줍니다.

외과의사의 기술은 수술의 성공을 결정하는 가장 중요한 요소입니다1. 수술 기술의 평가는 형성적일 수도 있고 총괄적일 수도 있습니다. 형성 평가는 위험도가 낮습니다. 전문가들은 일반적으로 수술 중 지침으로 이를 제공합니다. 반면, 총괄 평가는 고부담 인증 또는 자격 증명에 사용되며 일반적으로 감독관이 계산한 정량적 점수와 관련됩니다. 수술실이나 시뮬레이터에서 외과 의사를 직접 관찰하는 것이 현재 수술 기술 평가의 표준으로 남아 있지만, 비디오 기반 평가(VBA)가 점점 더 많은 관심을 받고 있습니다2,3,4. 미국외과위원회(ABS)는 일반 외과의사 및 관련 전문의를 위한 지속적인 인증 프로그램의 구성 요소로 VBA를 검토하고 있습니다5. 그러나 사후 절차로서 VBA는 수동 및 시간 집약적이고 주관적이며 평가자 간 신뢰성이 떨어지는 경향이 있습니다2,3. 또한 VBA 방법론에서는 작업량을 줄이기 위해 비디오를 스니펫으로 편집하는 경우가 많으며3 편집자의 편견으로 인해 주관성이 높아집니다2,3. 또한 수많은 연구에서는 완성된 비디오에 비해 편집된 비디오를 통해 유효성 증거가 열등하고 점수 예측이 부풀려졌다고 보고했습니다3. 또 다른 제한은 VBA가 거의 독점적으로 형성적이라는 것, 즉 저부담이며 복강경 수술 기초(FLS)와 같은 총괄적, 즉 고부담 평가3에 VBA를 사용하는 것과 관련하여 문헌에 눈에 띄는 차이가 있다는 것입니다. 따라서 VBA에 대한 객관적이고 효율적이며 자동화된 접근 방식을 개발할 필요가 있습니다.

자동화되고 객관적인 기술 평가6를 위해 여러 딥 러닝(DL) 모델이 개발되었으며, 대부분은 외과 의사로부터 센서 기반 운동학 데이터를 얻는 데 의존합니다. 이는 시간과 노동집약적이며 수술 작업을 방해할 수 있습니다. 대조적으로, 비디오는 대부분의 수술 절차의 일부로 정기적으로 수집되므로2 대규모 데이터 수집이 가능합니다. 기존 비디오 기반 DL 모델은 편집을 활용하여 문제를 단순화합니다7,8. 또한 이러한 모델은 각 스니펫이 전체 동영상의 라벨을 공유하는 라벨 보존 스니펫을 사용합니다. 이는 전체 동영상의 라벨이 개별 스니펫에 적용되지 않을 수 있으므로 문제가 됩니다. 마지막으로, 현재 DL 모델은 성능을 특징짓는 두드러진 특징을 평가하는 수단을 제공하지 않습니다. 클래스 활성화 맵(CAM)11과 같은 설명 가능한 인공 지능(XAI) 기술9,10이 이 문제를 해결할 수 있습니다10,12. 그럼에도 불구하고, 이들은 형성 평가를 신뢰성 있게 제공하는 것으로 나타나지 않았습니다.

이러한 제한 사항을 해결하기 위해 우리는 완전한 수술 비디오 시퀀스를 활용하여 총 수술 점수를 제공하고 수술 성과를 기반으로 형성 피드백을 생성할 수 있는 DL 모델인 비디오 기반 평가 네트워크(VBA-Net)를 제안합니다. 그림 1은 연구 개요를 보여줍니다. VBA-Net을 개발하기 위해 수술 패턴 절단(PC)과 관련된 두 가지 데이터 세트가 사용되었습니다(그림 1a). 또한 모델의 일반화 가능성을 명확히 하기 위해 가장 일반적으로 사용되는 공개 데이터 세트인 JIGSAWS6,13에서 벤치마킹했습니다. 마지막으로, 우리는 CAM을 통해 형성 피드백을 제공하고 그 중요성을 검증하기 위해 모델에 구애받지 않는 통계 도구를 제시했습니다.