National and Kapodistrian University of Athens
Machine learning techniques for assessment of surgical skills during training in a virtual reality simulator
Abstract
dc:descriptionΤα οφέλη της ελάχιστα επεμβατικής χειρουργικής είναι αποδεδειγμένα για τους ασθενείς (π.χ. μικρότερος χρόνος αποκατάστασης και πιθανότητα μόλυνσης). Ωστόσο, απαιτείται εξειδικευμένη εκπαίδευση για να διασφαλιστεί ότι οι επεμβάσεις αυτές εκτελούνται με ακρίβεια και ασφάλεια. Έτσι, έχουν αναπτυχθεί πλατφόρμες λαπαροσκοπικής εκπαίδευσης και προσομοιωτές εικονικής πραγματικότητας. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν μεγάλα σύνολα δεδομένων για να αποκαλύψουν προηγουμένως μη αναγνωρισμένα μοτίβα και να διευρύνουν την κατανόηση της τεχνικής δεξιότητας. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εκπαιδευομένων που βρίσκονται στην αρχή/τελός της εκπαίδευσής τους σε λαπαροσκοπικό προσομοιωτή εικονικής πραγματικότητας (Lap Mentor). Συγκεκριμένα, το σύνολο δεδομένων περιλάμβανε μετρικές απόδοσης για 6 εκπαιδευτικές συνεδρίες (trials) σε 3 λαπαροσκοπικές ασκήσεις, οι οποίες εκτελέστηκαν από 23 φοιτητές ιατρικής (138 συνεδρίες ανά άσκηση). Οι τρεις ασκήσεις που επιλέχθηκαν από τον προσομοιωτή είναι: Clipping and Grasping (Άσκηση 5), Two-Handed Maneuvers (Άσκηση 6) και Cutting (Άσκηση 7). Για κάθε άσκηση, οι 3 πρώτες/τελευταίες συνεδρίες αντιστοιχούν στην αρχή/τέλος της εξάσκησης δεξιοτήτων (Start/End of Training), αντίστοιχα. Οι αλγόριθμοι που εφαρμόστηκαν για την αναγνώριση δεξιοτήτων (Start vs. End of Training) είναι: K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest και Support Vector Machines. Επιπλέον, για κάθε αλγόριθμο διερευνήθηκε η εφαρμογή δύο τεχνικών dimensionality reduction: Principal Component Analysis (PCA) και Fisher's score. Η ανάλυση βασίστηκε σε δύο ξεχωριστά πειραματικά σχήματα: trial-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο συνεδρίας) και subject-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο εκπαιδευομένου). Η ανάλυση έδειξε ότι το υψηλότερο ποσοστό ακρίβειας επιτεύχθηκε με τη χρήση Support Vector Machine (SVM) με γραμμικό kernel, με ποσοστό ακρίβειας: 97,08% για την άσκηση 5, 97,29% για την άσκηση 6 και 76,43% για την άσκηση 7, με χρήση του PCA. Επιπλέον, η μελέτη προσδιορίζει, μέσω του Fisher's score, τα έξι καλύτερα χαρακτηριστικά (μετρικές απόδοσης) για κάθε άσκηση και τις διαφορές στα ποσοστά ακρίβειας μεταξύ των δύο πειραματικών σχημάτων (διαφορά από 1 έως 3%). Συμπερασματικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να συνεισφέρει σημαντικά στην αντικειμενική αξιολόγηση χειρουργικών δεξιοτήτων σε προσομοιωτές εικονικής πραγματικότητας.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Πρεβεζάνου Κωνσταντίνα
- Prevezanou Konstantina
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3327408