ZEAL: Surgical Skill Assessment with Zero-shot Tool Inference Using Unified Foundation Model

手术技能评估对确保患者安全和提高手术结果至关重要。本研究介绍了一种高效客观的评估方法ZEAL（使用具有统一基础模型的零样本手术工具分割进行手术技能评估）。ZEAL使用手术工具的分割掩模进行熟练度评估，通过文本提示的零样本推理，ZEAL预测分割掩模，捕捉工具和周围环境的关键特征。利用稀疏卷积神经网络和分割掩模，ZEAL提取前景（工具）和背景的特征向量。长短时记忆（LSTM）网络编码时间动态，对手术视频中的序列数据和依赖关系进行建模。通过LSTM编码向量的组合，ZEAL产生手术技能评分，提供客观的熟练度测量。使用开放数据集进行比较分析，证明了ZEAL的优越性，确认其在推进手术培训和评估方面的潜力。这种创新的手术技能评估方法解决了传统监督学习技术中的挑战，为提高手术护理质量和患者结果铺平了道路。

提高外科手术技能评估的效率和客观性

使用零样本推理和分割掩模来评估外科手术技能

采用稀疏卷积神经网络和分割掩模提取前景和背景的特征向量，使用LSTM网络编码时序动态，结合编码向量产生外科手术技能得分，相比传统方法具有优越性

与传统监督学习技术相比，本研究提出的方法具有创新性，相关研究包括基于深度学习的医学影像分析和手术机器人技术等