Action-grounded tissue affordance enables anticipatory auto-framing that lowers surgeon cognitive workload during laparoscopic surgery
Het artikel introduceert DiffeoAfford, een actie-georiënteerd framework dat automatisch visuele aandachtlabels genereert vanuit chirurgische procedures om AffordView aan te sturen, een auto-framing systeem dat uitlijnt met de blik van de expert en de cognitieve belasting van chirurgen tijdens laparoscopische chirurgie aanzienlijk vermindert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een achtervolging met hoge snelheid in een film probeomet te volgen, maar de cameraman is een beetje traag. Ze richten de lens steeds net voor de bocht naar de lege straat, of ze raken afgeleid door een boom en missen de explosie. In de echte wereld van de chirurgie, specifal een type genaamd laparoscopie, worden chirurgen geconfronteerd met een vergelijkbare, maar veel gevaarlijkere versie van dit probleem. Ze opereren binnen het lichaam van een patiënt met behulp van lange instrumenten en kijken naar een videoscherm, maar ze kunnen niet in één keer het hele plaatje zien. Om de juiste plek te kunnen zien, hebben ze een camera nodig die hun handen en ogen perfect volgt.
De grote uitdaging hier is dat de "cameraman" meestal een menselijke assistent is. Deze assistent moet raden wat de chirurg als volgende wil zien, en raadt het vaak fout, waardoor de chirurg moet roepen: "Naar links!" of "Inzoomen!". Dit constante geschreeuw en corrigeren is alsof je probeert een wiskundig probleem op te lossen terwijl iemand je steeds op je schouder tikt; het kost veel mentale energie, ook wel bekend als "cognitieve belasting". Wetenschappers hebben geprobeerd computers te bouwen om deze taak over te nemen, maar ze liepen tegen een muur aan: om een computer te leren waar hij naar moet kijken, heb je meestal een mens nodig die in elk frame van een video een kader rond het belangrijke punt tekent. Maar in de chirurgie is het "belangrijke punt" geen statisch object zoals een auto; het is een zacht, bewegend stuk weefsel dat elke seconde van vorm verandert. Experts weten waar ze moeten kijken, maar ze kunnen de regels die zij gebruiken om daar te komen niet uitleggen. Het is als een meesterkok die aan een soep kan proeven en precies weet wat er ontbreekt, maar niet het recept kan opschrijven.
Dit artikel introduceert een slimme manier om een computer te leren die meesterkok te zijn zonder dat er een geschreven recept nodig is. De onderzoekers, onder leiding van een team van de Huazhong University of Science and Technology en anderen, hebben een systeem ontwikkeld genaamd DiffeoAfford. In plaats van mensen te vragen waar de actie zal plaatsvinden, laten ze de computer de operatie achteraf bekijken. De computer kijkt naar de instrumenten van de chirurg en zegt: "Ah, de chirurg heeft dit specifieke stuk weefsel hier aangeraakt, en bewoog daarna daarheen. Dat betekent dat dit de belangrijke plek was." Door gebruik te maken van een speciale wiskundige truc genaamd "diffeomorfisme" (wat lijkt op een rubberen vel dat uitrekt, een kaart die ervoor zorgt dat het weefsel niet op onmogelijke manieren scheurt of vouwt), kan het systeem de acties van de chirurg in de tijd terugvinden om precies te bepalen welke delen van het zachte weefsel de doelwitten waren.
Zodra de computer deze "actie-gebaseerde" kaart heeft geleerd, kan hij voorspellen waar de chirurg naar toe zal kijken, nog voordat de chirurg zijn hand beweegt. Ze hebben een app gebouwd genaamd AffordView die deze voorspelling gebruikt om de camera automatisch te centreren op de juiste plek. Toen ze dit in echte operaties testten, waren de resultaten indrukwekkend. Het systeem gokte niet alleen; het sloot beter aan bij de werkelijke blik van de chirurg dan een menselijke camerassistent dat deed. Sterker nog, de computer was zo goed in het anticiperen op de volgende beweging dat het de mentale stress van de chirurg verminderde. De hersengolven van de chirurgen lieten zien dat ze minder vermoeid waren, hun pupillen (die groter worden als je gestrest bent of je intens concentreert) bleven rustiger, en ze hoefden minder verbale opdrachten aan hun assistenten te geven. De studie suggereert dat door de computer te laten leren van de acties van de chirurg zelf in plaats van van handmatige labels, we een "slimme camera" kunnen creëren die fungeert als een perfecte, stille partner, waardoor de chirurg zich volledig kan concentreren op het redden van levens in plaats van op het schreeuwen naar een camera.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.