提出了一种基于动力学数据的新颖技能评估方法，该方法通过将领域知识从已标记的动力学数据转移到未标记的数据，并利用伪标签对未标记数据进行准确的标注来评估机器人辅助手术中的新医生的技能水平。该方法相较于其他现有的方法不需要手动标记或者不需要先前医疗常识。

Apr, 2023

本文通过设计一种卷积神经网络 (CNN) 来自动评估机器人手术中的外科医生技能，经过我们提出的方法在 JIGSAWS 数据集上得到了非常有竞争力的结果，并通过类激活图来解释各分类并提供个性化反馈

Jun, 2018

本研究使用真实的临床数据集，提出了一种基于神经网络的自动化框架，通过 COF 的代理来预测外科手术技能。该方法在与初级外科医生的人类表现相比可达到 0.55 的斯皮尔曼相关性。

Aug, 2020

本研究使用深度学习方法，基于视频数据进行自动技能评估，结果表明使用 3D ConvNet 直接从数据中学习有意义的模式可以高效评估外科技术技能，使得人工特征工程不再是必须的。

Mar, 2019

本文介绍了一种基于熵的特征来自动评估 OSATS 基本手术技能的方法，并分析了多模数据（视频和加速度计数据）上不同的特征。结果显示，所提出的熵特征优于现有的视频数据分析的方法，而加速度计数据则仅在缝合中的恢复表现优异，融合视频和加速度数据可以提高总体性能。

Feb, 2017

该研究利用基于卷积神经网络的区域分析法跟踪和分析手术视频中的工具移动，从而自动评估外科医生的手术技能，在空间定位工具的同时，分析手术工具使用模式、运动范围和运动经济性等方面对手术质量进行评估。

Feb, 2018

通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

Jun, 2018

本文研究了使用机器人运动数据中的整体特征进行自动化技能评估的方法，提出了一种加权特征融合技术来提高分数预测表现，并探讨了其在外科医生基础手术任务中的实际应用价值。实验结果表明，这些整体特征优于以前的基于 HMM 的状态 - of-the-art 方法，对 RMIS 培训中的外科医生技能评估具有潜在的实时评分反馈作用。

Dec, 2017

使用视频数据进行评估，展示了所提出方法在评估外科医生熟练程度、针对性培训干预和外科部门质量保证方面的有效性，该流水线结合了表示流卷积神经网络和一种新颖的基于树的高斯过程分类器，它具有抗噪性和计算效率。此外，引入了新的核来提高准确性，该流水线的性能使用 JIGSAWS 数据集进行评估，与现有文献进行比较分析显示出准确性的显著改善和计算成本的改善，该提议的流程为使用视频数据进行外科技能评估的计算效率和准确性的提升做出了贡献，在同事外科医生的评价中，我们的研究结果表明该方法有助于促进外科住院医师的技能提高，并通过针对性培训干预和外科部门质量保证来增强患者安全。

Dec, 2023

使用基于视频的评估和深度学习模型，生成热力图进行形式评估，并给出高风险总结性评估，使外科手术技能训练成果定量化和可复制化。

Mar, 2022