编辑推荐：
在外科手术领域，传统视觉传感器用于运动追踪存在局限。研究人员开展了 “机器学习（ML）应用于非光学运动追踪系统（NOMTS）辅助的手术运动分析” 的研究。结果显示 ML 和 NOMTS 可提升手术精准度等。该研究为手术发展提供新方向。
在医疗技术飞速发展的当下，外科手术的精准度和效率成为了医学领域追求的重要目标。外科手术过程中，对医生手部和手术器械的运动进行精准捕捉和分析意义重大，它不仅能助力手术技能的培训与评估，还能推动辅助手术工具的研发，改善患者的手术预后。然而，目前很多外科运动追踪研究依赖视觉传感器，比如摄像头，它们虽然方便且能融入腹腔镜和机器人手术设备，但存在明显缺陷，像是图像质量欠佳、容易受遮挡等 。为了解决这些问题，来自荷兰伊拉斯姆斯大学医学中心（Erasmus MC University Medical Center）等机构的研究人员展开了深入研究。他们聚焦于机器学习（ML）在使用非光学运动追踪系统（NOMTS）的手术运动分析中的应用，相关研究成果发表在《npj Digital Medicine》上。
研究人员采用了多种关键技术方法。首先，通过全面的文献检索，在多个数据库中搜索相关研究。检索完成后，依据既定的纳入和排除标准对文献进行筛选。对于筛选后的文献，提取其中关于 ML 模型类型、NOMTS 应用、手术场景、数据集等关键信息，并使用医学教育研究质量评估工具（MERSQI）对文献质量进行评估。
下面来看看具体的研究结果：
- 文献筛选结果：经过数据库检索、去重以及严格筛选，最终从 3632 条记录中纳入了 84 项研究。这些研究涵盖了多种机器学习目标，包括技能评估（SA）、特征检测（FD）、技能评估与特征检测结合、工具分割和 / 或跟踪（TT）、不良运动过滤（UMF）等12。
- 数据收集与来源：实验涉及多种手术类型和任务，其中机器人手术相关实验最多。实验使用了多个数据集，如 JHU - ISI 手势和技能评估工作集（JIGSAWS）等。此外，还使用了多种 NOMTS，包括设备运动学（DK）数据记录、电磁（EM）系统、惯性（I）传感器、机械（M）传感器和表面肌电图（EMG）传感器345。
- 机器学习方法：ANNs 是最常用的 ML 模型，其次是支持向量机（SVM）等。研究使用了多种评估指标，如准确率、误差、精度和召回率等。在验证方面，多数研究详细描述了验证过程，留一法（leave - one - user - out）和 k 折交叉验证（k - fold splitting）最为常见67。
- 不同 ML 任务结果
- 技能评估：多数研究聚焦于此，采用多种方法确定外科医生技能水平。实验多在机器人手术场景下进行，BB 模型任务常见。多种算法架构被评估，部分研究准确率超 90%89。
- 特征检测：主要目的是识别特定手术任务或运动组件，多使用视频辅助。RNNs 尤其是 LSTM 应用广泛，部分研究对手术过程进行分解建模，部分研究取得了较高的准确率、精度和召回率1011。
- 技能评估和特征检测结合：多数实验在机器人手术场景下开展，常用 DK 数据和惯性传感器。多种 ML 架构被采用，部分研究取得了较高的整体准确率1213。
- 工具分割和 / 或跟踪：多在机器人手术场景下，结合视频输入进行 BB 或 CM 任务。所有研究都使用了涉及 ANNs 的 ML 模型14。
- 不良运动过滤：三项研究专注于预测和去除有害手术运动，如震颤。均使用惯性传感器，部分研究使用红外技术收集数据并验证算法1516。
- 其他研究：包含三项具有独特目标的研究，分别涉及为机器人外科医生提供精确力反馈、触觉建模和模拟、研究降维技术等17。
研究结论和讨论部分指出，ML 在分析 NOMTS 捕获的手术运动方面展现出潜力，但仍面临诸多挑战。比如缺乏大型开源数据库，限制了 ML 模型的训练和测试；BB 任务模型的广泛使用，使得研究结果在实际手术场景中的适用性受限；ML 模型的可解释性不足，影响了其在临床实践中的应用。未来研究应着重解决这些问题，开发更大、标准化的开源数据库，探索更合适的 ML 模型和架构，提高模型的可解释性，以推动 ML 在手术领域的进一步发展。该研究为后续研究指明了方向，对于提升外科手术水平、改善患者治疗效果具有重要意义，有望在未来推动外科手术培训和实践的变革。
