論文の概要: Artificial Intelligence for Workflow Analysis in Colorectal Surgery: A Multicentric, Cross-Procedural Development and Generalization Study

• arxiv url: http://arxiv.org/abs/2608.20154v1
• Date: Thu, 20 Aug 2026 15:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.622082
• Title: Artificial Intelligence for Workflow Analysis in Colorectal Surgery: A Multicentric, Cross-Procedural Development and Generalization Study
• Title（参考訳）: 大腸癌手術におけるワークフロー分析のための人工知能:多中心型クロスプロシージャ開発と一般化研究
• Abstract要約: MIS-CRSワークフローのビデオベースアセスメント(VBA)ツールであるColoWorkflowが最近検証された。 本研究は,MIS-CRSを横断する自動手術ワークフロー解析のためのディープラーニングモデルであるAI-ColoWorkflowを提案する。
• 参考スコア（独自算出の注目度）: 4.501571565428303
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Minimally invasive colorectal surgeries (MIS-CRS) are characterised by significant variability and inconsistent outcomes. ColoWorkflow, a tool for the video-based assessment (VBA) of MIS-CRS workflow, was recently validated. However, manual VBA is time-consuming, limiting implementation. This study presents AI-ColoWorkflow, a deep learning model for automated surgical workflow analysis across MIS-CRS. Operative videos of MIS-CRS were collected from 4 centres and a publicly available dataset. Phases and steps were manually annotated according to ColoWorkflow. A deep learning model combining a fine-tuned DINOv3 vision transformer for per-frame visual feature extraction with a hierarchical multi-stage temporal convolutional network was jointly optimized for phase and step recognition. The model trained on pooled multicentric data, namely AI-ColoWorkflow was compared against centre-specific and procedure-specific models on a held-out test set. The following metrics were used for evaluation: macro F1 score, balanced accuracy, precision, and recall. AI-ColoWorkflow achieved a macro F1 of 73.01% $\pm$ 10.27 (balanced accuracy 73.43%) for phase recognition and 39.82% $\pm$ 7.06 (balanced accuracy 38.65%) for step recognition. The global model outperformed centre- and procedure-specific models in most experiments except procedure-specific step recognition. In the generalization analysis, mean F1 was 48.42% for phase recognition. AI-ColoWorkflow can reliably recognize MIS-CRS phases. A single model trained on pooled, multicentric, multi-procedural data generalises at least as well as and often better than centre- or procedure-specific models for phase recognition in MIS-CRS, while procedure-specific step models retain advantages for certain procedure types, motivating hybrid training strategies for future surgical AI development.
• Abstract（参考訳）: 低侵襲大腸癌手術 (MIS-CRS) は, 有意な変動と不整合性により特徴付けられる。 MIS-CRSワークフローのビデオベースアセスメント(VBA)ツールであるColoWorkflowが最近検証された。 しかしながら、手動のVBAは時間がかかり、実装が制限される。 本研究は,MIS-CRSを横断する自動手術ワークフロー解析のためのディープラーニングモデルであるAI-ColoWorkflowを提案する。 MIS-CRSの操作ビデオは、4つのセンターと公開データセットから収集された。 ColoWorkflowによると、フェーズとステップは手動でアノテートされた。 階層型多段階時間畳み込みネットワークとフレーム単位の視覚特徴抽出のための微調整DINOv3視覚変換器を併用した深層学習モデルを構築し,位相認識とステップ認識に最適化した。 プールされた多中心データ、すなわちAI-ColoWorkflowに基づいてトレーニングされたモデルは、ホールドアウトテストセットのセンター固有モデルとプロシージャ固有モデルと比較された。 マクロF1スコア、バランスの取れた精度、精度、リコールの指標は以下の通りである。 AI-ColoWorkflowは、フェーズ認識では73.01%$\pm$10.27(バランスの取れた精度73.43%)、ステップ認識では39.82%$\pm$7.06(バランスの取れた精度38.65%)というマクロF1を達成した。 グローバルモデルでは、プロシージャ固有のステップ認識を除くほとんどの実験において、センターおよびプロシージャ固有のモデルよりも優れていた。 一般化分析では、F1の平均は48.42%であった。 AI-ColoWorkflowはMIS-CRSフェーズを確実に認識できる。 MIS-CRSにおける位相認識のためのセンター固有のモデルやプロシージャ固有のモデルよりも、少なくともそれよりも優れた、プール、マルチ中心、マルチプロシージャなデータに基づいて訓練された単一のモデルは、将来の外科的AI開発のためのハイブリッドトレーニング戦略を動機付けながら、特定の手順タイプのアドバンテージを維持している。

関連論文リスト

• Expert Consensus-based Video-Based Assessment Tool for Workflow Analysis in Minimally Invasive Colorectal Surgery: Development and Validation of ColoWorkflow [4.2710633896098456]
  ビデオベースアセスメント(VBA)は、可変性を低減し、トレーニングを最適化し、外科的パフォーマンスを改善するために、データ駆動型インサイトを生成する機会を提供する。 ワークフロー分析のための既存のツールは、標準化と実装が難しいままです。 本研究の目的は,最小侵襲の大腸癌手術におけるワークフロー解析のためのVBAツールの開発と評価である。
  論文  参考訳（メタデータ） (2025-11-13T19:33:36Z)
• The CRITICAL Records Integrated Standardization Pipeline (CRISP): End-to-End Processing of Large-scale Multi-institutional OMOP CDM Data [1.3724581418672368]
  このデータセットは、地理的に多様な4つのCTSA機関にわたる371,365人の患者の95億件の記録を含んでいる。 CRITICALのユニークな強みは、ICU前、ICU前、ICU後など、フルスペクトルの患者旅行を捉えることである。 この貴重なリソースの可能性を最大限に活用するためにCRISPを提示する。
  論文  参考訳（メタデータ） (2025-09-10T03:06:24Z)
• An Interpretable Transformer-Based Foundation Model for Cross-Procedural Skill Assessment Using Raw fNIRS Signals [0.0]
  本稿では,FNIRS信号の最小処理に基づく解釈可能なトランスフォーマーベース基礎モデルを提案する。 このモデルは全てのタスクにおいて88%以上の分類精度を達成し、マシューズ相関係数はETIで0.91を超える。 これは、30個未満のラベル付きサンプルと軽量(2kパラメータ未満)アダプターモジュールを使用する新しい緊急気道手順に一般化する。
  論文  参考訳（メタデータ） (2025-06-21T18:30:58Z)
• AdaMerging: Adaptive Model Merging for Multi-Task Learning [68.75885518081357]
  本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。 本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。 AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
  論文  参考訳（メタデータ） (2023-10-04T04:26:33Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• An Empirical Study of Multimodal Model Merging [148.48412442848795]
  モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。 我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。 本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
  論文  参考訳（メタデータ） (2023-04-28T15:43:21Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• MIcro-Surgical Anastomose Workflow recognition challenge report [12.252332806968756]
  MISAW(Micro-Surgical Anastomose recognition on training session)の課題は、人工血管のマイクロサージカルアナスモシス27配列のデータセットを提供した。 このデータセットは、フェーズ、ステップ、アクティビティの3つの異なる粒度レベルで記述されたビデオ、キネマティクス、ワークフローアノテーションで構成されています。 最高のモデルは、段階認識の95%以上のAD精度、ステップ認識の80%、アクティビティ認識の60%、すべての粒度レベルの75%を達成しました。
  論文  参考訳（メタデータ） (2021-03-24T11:34:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。