跳转至

文章背景与核心概要

手术培训由于涉及高昂的成本以及对患者潜在的风险，长期以来面临着巨大的挑战。为了克服这一瓶颈，本文介绍了一种新颖的人工智能驱动平台，旨在通过自动化技能迁移来优化外科医生的培训过程。该研究聚焦于眼科手术中的关键步骤——连续环形撕囊术（Capsulorhexis），通过引入标注数据集并利用深度卷积神经网络，从手术器械尖端的运动数据中提取出专家的技能特征。

通过对专家运动轨迹进行建模并应用双重损失优化框架，该平台能够为初学者提供改进的手术路径建议。实验证明，该方法不仅能成功预测并保留医生的意图目标，还能将初级外科医生的技能水平提升 至少 20%，为未来全自动人工智能手术培训奠定了坚实基础。

构建用于基于人工智能的连续环形撕囊术技能迁移的预测性手术路径

arXiv: [arXiv:2608.21441 [cs.RO]]
作者: Mohammad Javad Ahmadi, Hamid D. Taghirad
提交时间: 2026年8月18日
主要学科: 机器人学 (cs.RO)
其他学科: 人工智能 (cs.AI)、机器学习 (cs.LG)
DOI: 10.48550/arXiv.2608.21441

📌 摘要

This paper introduces a novel AI-driven platform designed to minimize the risks and expenses associated with surgical training by facilitating automated skill transfer. Focusing on capsulorhexis surgery, the research presents an annotated dataset (ARAS-Farabi) and utilizes a pre-trained deep convolutional neural network to extract surgical skill characteristics from tool-tip motion data.

By modeling expert movement trajectories and applying a dual-loss optimization framework, the proposed platform suggests improved paths that elevate a novice surgeon's skill level by at least 20% while successfully predicting and preserving their intended objectives.

本文介绍了一种新颖的人工智能驱动平台，旨在通过促进自动化技能迁移来最大限度地减少与手术培训相关的风险和费用。该研究聚焦于连续环形撕囊术（Capsulorhexis），提出了一个带注释的数据集（ARAS-Farabi），并利用预训练的深度卷积神经网络从器械尖端运动数据中提取手术技能特征。

通过对专家运动轨迹进行建模并应用双重损失优化框架，所提出的平台能够建议优化后的路径，在成功预测并保持初级外科医生预期目标的同时，将其技能水平提高 至少 20%。

🛠️ 核心贡献与方法论

  • AI-Assisted Training Framework: Envisions AI acting as an interim "third agent" alongside trainers to suggest optimized surgical paths, paving the way for future autonomous AI skill training.
  • ARAS-Farabi Dataset: Introduces a newly annotated capsulorhexis surgery dataset, complementing the established JIGSAWS dataset for robust skill characterization.
  • Deep Feature Extraction: Employs a deep convolutional neural network to analyze surgical tool-tip motion data and extract distinct skill-level metrics from expert trajectories.
  • Dual-Loss Optimization: Implements an optimization strategy utilizing two loss functions to simultaneously:
  • Elevate the quality and precision of the novice surgeon's path.
  • Accurately predict and preserve the surgeon's intentional objective.
  • Verification Indicators: Establishes tangible performance indicators to quantitatively track and verify trainee improvement.
  • AI辅助训练框架： 设想人工智能作为培训师之外的临时“第三代理”，推荐优化的手术路径，为未来自主人工智能技能培训铺平道路。
  • ARAS-Farabi 数据集： 引入了一个新标注的连续环形撕囊术数据集，作为现有 JIGSAWS 数据集的补充，以实现更稳健的技能表征。
  • 深度特征提取： 采用深度卷积神经网络分析手术器械尖端的运动数据，并从专家的运动轨迹中提取独特的技能水平指标。
  • 双重损失优化： 实施了一种利用两个损失函数的优化策略，以同时实现：
  • 提高初级外科医生手术路径的质量和精度。
  • 准确预测并保持外科医生的意图目标。
  • 验证指标： 建立切实可行的性能指标，以定量追踪和验证受训人员的进步。

🔗 链接与资源

(Note: License icon associated with this work is hosted locally via Creative Commons BY-NC-SA 4.0).
license icon

(注：与本工作相关的许可证图标通过 Creative Commons BY-NC-SA 4.0 在本地托管)。
license icon