提出了一种统一的多路径框架，用于通过手术视频自动预测手术的成功程度，该框架考虑了手术技能的多个组成方面，包括手术工具使用、术中事件模式和其他技能代理，并通过路径依赖模块特别建模这些不同方面之间的依赖关系。在模拟手术任务的 JIGSAWS 数据集和新的真实腹腔镜手术的临床数据集上进行了大量实验，提出的框架在两个数据集上均取得了良好的成果，模拟数据集的最先进水平从 0.71 Spearman 相关性提高到了 0.80，同时还表明结合多个技能方面比依赖单个方面获得更好的性能。

Jun, 2021

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

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

通过自我监督学习，在不同手术数据集上进行预训练，从而灵活地利用多样化的手术数据，为各种手术下游任务学习与任务无关的表示，研究发现预训练数据集的组成严重影响自我监督学习方法在各种下游任务上的有效性，对于规模化应用自我监督学习方法应充分考虑预训练数据集的组成。

Dec, 2023

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

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

本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

Jan, 2022

本文提出了一个用于机器人超声引导手术的技能转移学习的简单框架，该框架包括合适的取样技术、计算效率高的神经网络模型，实现了实时应用的技能转移学习。研究结果表明，经验丰富的临床医生比非临床医生在超声引导手术中具有更快和更顺畅的动作；为了实现实时应用，未来的工作需要使用剪枝和量化神经网络模型。

May, 2023

通过开发多模态、多任务、视觉 - 语言 - 行为模型，本文提出一条路径，以增加机器人辅助手术中机器人的自治性，最终我们认为，机器人辅助手术能够从通用模型中获益，并提供三个指导性行动以增加机器人辅助手术的自治性。

Jan, 2024

这篇论文介绍了一个机器人系统，可以通过自主学习的方式进行物体位姿估计，并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块，从而提高对象分割和 6D 姿态估计的性能。

Sep, 2019