深層学習を用いた脳神経外科における視覚に基づくマイクロサージェリーのスキル解析の自動化。開発と前臨床検証

Automated Vision-Based Microsurgical Skill Analysis in Neurosurgery Using Deep Learning: Development and Preclinical Validation.

抄録

背景・目的:

技術的なスキルの習得は、脳神経外科のトレーニングに不可欠な要素である。教育理論では、最適な学習とパフォーマンスの向上は、客観的なフィードバックの提供に依存することが示唆されている。そこで本研究では，マイクロサージェリーの技術を自動化して客観的に評価することができる，手術器具の動きと相互作用の新しい表現に基づいた，ビジョンベースのフレームワークを開発することを目的とした。

BACKGROUND/OBJECTIVE: Technical skill acquisition is an essential component of neurosurgical training. Educational theory suggests that optimal learning and improvement in performance depends on the provision of objective feedback. Therefore, the aim of this study was to develop a vision-based framework based on a novel representation of surgical tool motion and interactions capable of automated and objective assessment of microsurgical skill.

研究方法:

専門家1名、中級者6名、初心者12名の外科医が、標準的な手術用顕微鏡を用いて検証済みの臨床モデルでくも膜剥離を行った動画を取得しました。マスク領域の畳み込みニューラルネットワークフレームワークを用いて，記録されたビデオフレームの術野内に存在するツールをセグメント化した．道具の動きの解析には，新しい三角測量法を用いた．スキルレベルを分類する際のフレームワークの性能は，曲線下面積と精度を用いて評価した．また，Mann-Whitney U検定を用いて，術者のスキルレベルを分類する客観的な指標を比較し，P<0.05の値を統計的に有意とした．

METHODS: Videos were obtained from 1 expert, 6 intermediate, and 12 novice surgeons performing arachnoid dissection in a validated clinical model using a standard operating microscope. A mask region convolutional neural network framework was used to segment the tools present within the operative field in a recorded video frame. Tool motion analysis was achieved using novel triangulation metrics. Performance of the framework in classifying skill levels was evaluated using the area under the curve and accuracy. Objective measures of classifying the surgeons' skill level were also compared using the Mann-Whitney U test, and a value of P < 0.05 was considered statistically significant.

結果:

曲線下面積は0.977で，精度は84.21%であった。熟練者は初心者に比べて、ディセクタの速度（中央値）が低く（P=0.0004；190.38ms vs. 116.38ms）、ツール間の先端距離（中央値）が小さい（46.78 vs. 75.92；P=0.0002）など、いくつかの違いが見られた。

RESULTS: The area under the curve was 0.977 and the accuracy was 84.21%. A number of differences were found, which included experts having a lower median dissector velocity (P = 0.0004; 190.38 ms vs. 116.38 ms), and a smaller inter-tool tip distance (median 46.78 vs. 75.92; P = 0.0002) compared with novices.

結論:

マスク領域の畳み込みニューラルネットワークと，新しいツールの動きと相互作用の表現を用いることで，マイクロサージェリーの自動化された客観的な解析が可能となった．これは、脳神経外科における技術的スキルのトレーニングと評価をサポートする可能性がある。

CONCLUSIONS: Automated and objective analysis of microsurgery is feasible using a mask region convolutional neural network, and a novel tool motion and interaction representation. This may support technical skills training and assessment in neurosurgery.