A Standardized Temporal Segmentation Framework and Annotation Resource Library in Robotic Surgery
Notice bibliographique
Résumé
Objective: To develop and share the first clinical temporal annotation guide library for 10 robotic procedures accompanied with a standardized ontology framework for surgical video annotation. Patients and Methods: A standardized temporal annotation framework of surgical videos paired with consistent, procedure-specific annotation guides is critical to enable comparisons of surgical insights and facilitate large-scale insights for exceptional surgical practice. Existing ontologies and guidance not only provide foundational frameworks but also provide limited scalability in clinical settings. Building on these, we developed a temporal annotation framework with nested surgical phases, steps, tasks, and subtasks. Procedure-specific annotation resource guides consistent with this framework that define each surgical segment with formulaic start and stop parameters and surgical objectives were iteratively created across 7 years (January 1, 2018, to January 1, 2025) through global research collaborations with surgeon researchers and industry scientists. Results: We provide the first resource library of annotation guides for 10 common robotic procedures consistent with our proposed temporal annotation framework, enabling consistent annotations for clinicians and large-scale data comparisons with computer-readable examples. These have been used in over 13,000 annotated surgical cases globally, demonstrating reproducibility and broad applicability. Conclusion: This resource library and accompanying ontology framework provide critical structure for standardized temporal segmentation in robotic surgery. This framework has been applied globally in private studies examining surgical objective performance metrics, surgical education, workflow characterization, outcome prediction, algorithms for surgical activity recognition, and more. Adoption of these resources will unify clinical, academic, and industry efforts, ultimately catalyzing transformational advancements in surgical practice.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,012 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,011 |
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 source (Gemma direct ou Codex distillé), 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 ».