摘要

本文介绍了一种名为R-Trans的循环变换器模型，该模型专门用于手术技能评估中的临床反馈。传统的手术技能评估依赖于主观反馈和有限的标准化工具，如OSATS评分和GRS评分。R-Trans模型通过利用运动学信号，能够在手术训练过程中预测和提供详细的OSATS评分，从而提供更细致的临床反馈。该模型在JIGSAW数据集上的表现优于现有模型，特别是在Spearman相关系数（SCC）上显示出显著的改进，表明其在手术技能评估中的应用前景广阔。

原理

R-Trans模型通过处理运动学信号的片段，利用循环变换器架构来预测手术过程中的OSATS评分。该模型的工作原理基于以下几个关键步骤：首先，将输入的运动学信号分割成多个片段；然后，通过循环网络处理这些片段，结合前一隐藏状态和当前片段数据，生成新的隐藏状态；最后，通过多个分类头将隐藏状态转换为OSATS评分预测。这种设计允许模型在半监督模式下学习，无需额外的标签，同时能够提供详细的中间评分，这些评分与GRS评分相关联，从而提供更全面的性能评估。

流程

R-Trans模型的工作流程包括数据预处理、模型训练和性能评估三个主要阶段。在数据预处理阶段，输入的运动学信号被分割成固定长度的片段，并进行必要的增强处理。在模型训练阶段，使用交叉熵损失函数和L2正则化来训练模型，以优化其对OSATS评分的预测能力。在性能评估阶段，模型在JIGSAW数据集上进行测试，使用Spearman相关系数（SCC）来衡量其预测的GRS评分与实际评分之间的相关性。此外，通过与资深外科医生的验证，模型提供的中间评分得到了临床上的认可。

应用

R-Trans模型的应用前景主要在于手术技能的自动化评估和反馈系统。通过提供详细的OSATS评分和相关的临床反馈，该模型可以帮助外科医生在训练过程中识别和改进特定的技能领域。此外，该模型还可以扩展到其他技能评估领域，如机器人辅助手术和其他专业技能的培训，具有广泛的应用潜力。