Resumen Técnico: ExpOS – Evaluación de Habilidades de Cirugía Abierta Explicable Mediante Reconstrucción 3D de la Mano

Declaración del Problema

La formación quirúrgica efectiva requiere retroalimentación oportuna y transparente, sin embargo, los métodos de evaluación actuales dependen en gran medida de la observación experta mediante sistemas de calificación estructurados (por ejemplo, OSATS). Estos enfoques tradicionales son intensivos en recursos, subjetivos y limitan las oportunidades de práctica autónoma. Si bien los métodos recientes de aprendizaje profundo pueden predecir niveles generales de habilidad a partir de datos de movimiento o video, suelen funcionar como "cajas negras", proporcionando puntuaciones globales sin explicar qué segmentos temporales o patrones de comportamiento impulsan la predicción. Por el contrario, los métodos que dependen de métricas definidas por expertos ofrecen interpretabilidad, pero restringen el descubrimiento a criterios predefinidos, limitando las perspectivas basadas en datos. El artículo aborda la necesidad de un marco escalable, objetivo y explicable que pueda evaluar automáticamente las habilidades quirúrgicas y proporcionar una evaluación orientada a la acción y a la retroalimentación.

Metodología

Los autores proponen ExpOS, un marco de extremo a extremo que combina el aprendizaje de importancia temporal débilmente supervisado con estadísticas de movimiento interpretables. La pipeline procesa datos de video de tareas de cirugía abierta a través de tres etapas principales:

1. Extracción de Datos e Ingeniería de Características

• Entrada: Grabaciones de video RGB en 4K (30 fps) de residentes realizando tres tareas: sutura, anudado y cierre fascial.
• Detección y Reconstrucción:
  • Un modelo YOLO detecta instrumentos quirúrgicos (pinzas, portaagujas, tijeras, simulador) y manos.
  • El autoentrenamiento de pseudoetiquetas RoHans refina el detector de manos, que se integra en WiLoR para la reconstrucción 3D de la mano. Esto rastrea 21 articulaciones por mano.
• Características a Nivel de Fotograma: Cada fotograma se codifica utilizando información de cajas delimitadoras (6 objetos: manos izquierda/derecha, 3 instrumentos, simulador) y puntos clave de la mano 3D reconstruidos (2 articulaciones × 21 puntos). Estos se concatenan en un tensor por fotograma. Los breves huecos se interpolan y las trayectorias se suavizan.
• Características a Nivel Global: Se calculan estadísticas a nivel de video basadas en cambios temporales en los centros de las cajas delimitadoras, incluyendo:
  • Tiempo de inactividad (proporción de fotogramas donde los objetos están estacionarios).
  • Velocidad y aceleración promedio (durante periodos no de inactividad).
  • Relación de manos fuera del encuadre.
  • Tiempo de finalización de la tarea.
  • Autocorrelación entre manos.

2. La Arquitectura ExpOS

El marco consta de tres componentes principales:

• Esqueleto Temporal (MS-TCN++): Las características a nivel de fotograma se alimentan en un esqueleto MS-TCN++ (con la cabeza de clasificación eliminada) para codificar dinámicas espacio-temporales. Esto preserva la dimensión temporal, generando una secuencia de representaciones ocultas ($F \times T$).
• Agrupación por Atención Temporal: Se aplica un mecanismo de autoatención multi-cabeza a la secuencia oculta. Este módulo asigna pesos de importancia a segmentos temporales específicos, comprimiendo la secuencia en una representación compacta mientras genera un mapa de importancia a nivel de fotograma. Esto permite que el modelo identifique cuándo ocurren los momentos críticos de rendimiento.
• Fusión y Predicción: La representación agrupada temporalmente se concatena con las características estadísticas globales precalculadas. Este vector fusionado se pasa a través de un Perceptrón Multicapa (MLP) para generar una puntuación de habilidad final basada en regresión. Las características globales se inyectan solo en esta etapa final para preservar su interpretabilidad.

3. Mecanismos de Explicabilidad

ExpOS proporciona explicabilidad multinivel:

• Importancia Temporal: Inspirado en los mecanismos de atención del procesamiento del lenguaje natural, los pesos de atención de la capa de agrupación destacan fotogramas de video específicos (segmentos temporales) que más influyeron en la predicción de habilidad.
• Atribución de Características Globales: Los autores utilizan valores SHAP (Shapley Additive exPlanations) para cuantificar la contribución de cada estadística de movimiento global (por ejemplo, tiempo de tarea, aceleración) a la predicción final. Esto identifica qué características de movimiento impulsan la puntuación.

Resultados Clave

El marco fue entrenado y evaluado en 221 videos de 77 residentes quirúrgicos que realizaron tres tareas distintas. Se entrenó un modelo separado para cada simulador utilizando la pérdida de Regresión Ordinal Suave (SORD).

• Correlación de Rendimiento: El marco logró fuertes correlaciones con las calificaciones de expertos en todas las tareas:
  • Cierre Fascial: Mejor rendimiento con correlación de Pearson $r = 0.778$ y $R^2 = 0.74$.
  • Anudado: $r = 0.678$, $R^2 = 0.649$, con el RMSE más bajo (1.276).
  • Sutura: $r = 0.622$, $R^2 = 0.579$, con el MAE más bajo (0.833).
• Hallazgos de Interpretabilidad:
  • Cierre Fascial: El tiempo de finalización de la tarea fue la característica dominante (tiempos más cortos asociados con puntuaciones más altas). Contribuciones positivas provinieron de mayores proporciones de pinzas/manos estacionarias y autocorrelación de manos; contribuciones negativas provinieron de mayor aceleración promedio.
  • Anudado: Mayor velocidad promedio y menor aceleración de la mano derecha se asociaron con puntuaciones más altas.
  • Sutura: Similar al cierre fascial, con el uso de pinzas estacionarias y tiempos de finalización más cortos siendo los factores positivos más influyentes.

Significado y Afirmaciones

El artículo afirma que ExpOS representa un cambio desde criterios de evaluación definidos por expertos hacia la estimación de importancia impulsada por modelos. Su significado principal radica en su capacidad para:

1. Aprender Patrones Discriminativos: En lugar de depender de métricas predefinidas, el modelo aprende patrones temporales directamente de los datos para identificar qué constituye habilidad.
2. Proporcionar Retroalimentación Multinivel: Al combinar la localización temporal basada en atención con el análisis de características globales basado en SHAP, el sistema ofrece retroalimentación estructurada sobre cuándo ocurren desviaciones de rendimiento y qué comportamientos de movimiento contribuyen a la puntuación.
3. Habilitar Entrenamiento Autónomo Escalable: El marco demuestra que el modelado temporal basado en datos del movimiento 3D de la mano puede capturar patrones de rendimiento clínicamente significativos, ofreciendo una alternativa escalable a la supervisión experta intensiva en recursos.

Los autores reconocen limitaciones, señalando que el enfoque depende de una reconstrucción 3D de la mano fiable y una visibilidad clara, y que las oclusiones o puntos de vista desafiantes pueden degradar el rendimiento. Sugieren que el trabajo futuro se centrará en la integración multimodal y la validación en cohortes más grandes y diversas.