Deep Video Analysis Methods for Surgical Skills Assessment in Cataract Surgery
Notice bibliographique
Résumé
It is important for a graduate surgical trainee in ophthalmology to have a strong understanding of how to proficiently perform cataract surgery. The surgical training curriculum should incorporate methodical assessments of surgical skills and improve trainee surgeons' expertise to maintain patient safety. Prior rating scales for cataract surgery are highly dependant on the subjective opinion of the observing grader and are time consuming. This project is intended to develop a deep learning model for skill evaluation in cataract surgery using raw surgery videos that can supplement human review. An advanced convolutional neural network model is leveraged in this work and was evaluated using a large custom dataset. Videos from four phases in cataract surgery were used to quantify the model performance. Our model yielded an average accuracy of 82% for all four phases of cataract surgery. iii 7.3 Real time prediction of the model on all the 16-second video snippets representing a never seen before video sample (Model identifies novice). Video clip duration (e.g. clip 1 : 0-16 seconds, clip 2: 17-32 seconds) for all 16 second clips are plotted along x axis. . . . . . . . . . . . . . 62 7.4 Real time prediction of the model on all the 16-second video snippets representing a never seen before video sample (Model identifies expert). 63 x
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».