机器人辅助微创外科手术中长期技能获取的数据集分析与学习模式研究

《IEEE Transactions on Medical Robotics and Bionics》：Dataset and Analysis of Long-Term Skill Acquisition in Robot-Assisted Minimally Invasive Surgery

本研究针对外科住院医师在机器人辅助微创手术（RAMIS）中长期技能获取机制不明确的问题，通过为期六个月的纵向研究，收集了18名住院医师在轮班前后进行的972次训练试验数据。研究发现参与者所有任务表现均持续改善，同时揭示了不同指标和任务间存在技能遗忘与离线学习的差异模式，为优化外科培训协议和增强人工智能应用提供了重要数据集支撑。

　　

在机器人辅助微创手术（RAMIS）日益普及的今天，外科医生的技术水平成为影响患者预后的关键因素。然而，外科住院医师繁重的工作日程往往导致他们无法获得规律的手术训练机会，训练间隔不规则且不频繁。这种现实困境提出了一个重要问题：在长期不规律训练条件下，外科医生的技能学习会呈现怎样的规律？哪些技能要素会被保留，哪些会遗忘，哪些甚至可能在无训练情况下继续提升？现有研究多集中于数天到数周的短期训练间隔，对长达数月的技能获取过程知之甚少。此外，住院医师的技能学习常常在疲劳状态下进行，而疲劳对手术表现的影响研究结论不一，有的显示负面影响，有的显示无影响，甚至还有研究显示积极影响。理解这些长期过程及其与疲劳的相互作用，对于开发更符合临床实际需求的培训方案至关重要。

为了回答这些问题，研究人员开展了一项为期六月的纵向研究，论文发表在《IEEE Transactions on Medical Robotics and Bionics》上。本研究旨在探究外科住院医师在机器人辅助手术中的长期技能获取过程，以及训练间隔和疲劳对绩效的影响。

研究人员采用的关键技术方法主要包括：使用达芬奇研究套件（dVRK）搭建实验平台，让参与者完成环塔转移、打结和缝合三项干式实验室训练任务；通过同步记录视频、运动学数据、活动追踪和缝合垫扫描构建综合数据集；采用重复测量方差分析（ANOVA）统计模型评估跨六个班次的学习效应以及班次内不同时间点（班次前、中、后）的表现差异，以揭示长期学习、技能保留、遗忘及疲劳潜在影响。

研究结果

参与者与数据集

18名外科住院医师完成了全部数据收集，每人参与6个班次，每个班次包含3次训练，共产生972次试验数据（每项任务324次）。数据集包含同步的运动学数据、视频、缝合组织扫描以及活动和疲劳问卷数据，已公开共享。

整体学习效果

统计分析表明，在所有三项任务（环塔转移、打结、缝合）和三个绩效指标（完成时间、路径长度、方向变化率）上，“班次序号”这一因素均具有统计学显著性。这表明，尽管训练间隔长达一个月，且部分训练在疲劳状态下进行，参与者的表现从第一个班次到最后一个班次均呈现出持续的、显著的改善，未观察到明显的学习平台期。

班次内学习与疲劳潜在影响

对于“相对于班次的时间”（班次前、中、后）这一因素，其影响因任务和指标而异。在完成时间指标上，所有三项任务均显示出显著性，表明参与者在单个班次内的三次训练中，完成时间通常有所改善。在路径长度指标上，环塔转移和缝合任务显著，但打结任务不显著。在方向变化率指标上，所有任务均未显示出班次内的显著改善。

值得注意的是，“班次序号”与“相对于班次的时间”之间存在显著的交互作用（特别是在环塔转移和缝合任务中），意味着班次内的学习速率随着培训的进行而发生变化。例如，在方向变化率指标上，多数班次表现出从班次前到班次中的改善，但从班次中到班次后则改善较小甚至出现下降，这可能与班次后训练时参与者处于疲劳状态有关。

班次间的学习与遗忘

针对班次间隔（长期间隔）的分析揭示了技能保留、遗忘和离线学习的复杂模式。对于“相对于间隔的时间”（间隔前、后）这一因素：

• •
  在完成时间（环塔转移任务）和方向变化率（所有任务）上，该因素显著，表明参与者在没有额外训练的情况下，技能在间隔期内仍继续提升，即存在“离线学习”。
• •
  在路径长度指标上（环塔转移和缝合任务），该因素也显著，但表现为参与者在间隔后的表现比间隔前要差，提示存在“技能遗忘”。
  这些发现表明，长期训练间隔中，不同技能维度的变化模式是不同的。此外，班次间的影响在不同任务间也存在差异，例如完成时间的班次间改善在环塔转移中显著，而在打结任务中不显著。

研究结论与讨论

本研究通过收集和分析一个独特的长期技能获取数据集，初步揭示了外科住院医师在机器人辅助手术训练中的学习规律。主要结论包括：首先，即使在训练间隔长且不规律、部分训练处于疲劳状态的不利条件下，住院医师仍然能够在六个月的时间内持续提高其在三项基础手术任务上的操作技能。其次，技能的不同维度在长期间隔中表现出不同的变化模式，例如运动效率（以路径长度衡量）可能出现遗忘，而操作流畅性（以方向变化率衡量）则可能表现出离线学习。这种差异强调了在评估复杂手术技能时，需要综合多种指标进行全面衡量。第三，研究结果提示疲劳可能影响班次内的学习速率，特别是在需要较高运动控制能力的指标上。

这项研究的意义在于，它为解决外科住院医师培训中的现实挑战提供了实证数据。研究发现为优化培训方案指明了方向，例如，针对易遗忘的技能维度可能需要安排复习训练，而能够通过离线学习提升的技能则可能允许更灵活的培训间隔。此外，所公开的包含多模态数据的大规模数据集（BGU-SKILLS），为外科数据科学（SDS）社区提供了宝贵资源，将有力推动人工智能（AI）在手术技能评估、手势识别和自动化手术等领域的应用研究。未来研究可以基于此数据集进行更精细的运动片段分析，并结合收集的客观与主观疲劳数据，深入探究疲劳对特定技能学习过程的影响机制，最终为制定更科学、个性化的外科医生培训策略奠定基础。