一种可解释的基于整段手术视频的深度学习框架，用于基本程序性操作的外科技能评估

背景：传统的外科技能评估由经验丰富的外科医生在手术室进行，往往耗时且主观。一个能够区分外科医生专业水平（新手、中级、专家）并提供反馈的自动化客观系统将显著提升外科培训。然而，大多数现有的自动化框架优先考虑深度学习性能而非可解释性。材料与方法：我们提出了I3D-SAP，一个使用三维卷积神经网络的可解释的基于视频的基本程序性操作外科技能评估框架。该模型处理手术视频并将外科医生分为三个专业水平。在公开的JIGSAWS数据集上进行了实验，评估其在缝合、穿针和打结任务中的性能。结果：我们的方法取得了高准确率：缝合100%，穿针96.3%，打结97.2%，与最先进的模型相当。通过类激活图（CAM）可视化和片段级分析展示了框架的可解释性，为解释分类决策提供了双重视角。然而，在更严格的留一用户交叉验证（LOUO）协议下，性能显著下降，在外部数据集（ROSMA）上的测试准确率接近随机水平，表明当前模型对完全未见过的外科医生的泛化能力有限。结论：I3D-SAP提供了高准确性和可解释性，填补了基本程序性操作自动手术评估中的关键空白。通过可视化模型决策，增强了透明度和信任，为手术培训中的实际应用铺平了道路。此外，当前模型的泛化挑战应通过未来的工作来解决，包括更大更多样化的数据集和外科医生不变特征学习技术，然后才能考虑实际的临床部署。