論文の概要: SurgStreamer: proactive, request-driven monitoring of surgical video streams with structured state and a reusable reasoning layer
- arxiv url: http://arxiv.org/abs/2610.21895v1
- Date: Thu, 15 Oct 2026 13:52:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.096733
- Title: SurgStreamer: proactive, request-driven monitoring of surgical video streams with structured state and a reusable reasoning layer
- Title（参考訳）: SurgStreamer: 構造化状態と再利用可能な推論層を備えた手術用ビデオストリームのプロアクティブで要求駆動型の監視
- Abstract要約: 手術チームは、要求されたイベントのためにビデオを視聴するアシスタントの恩恵を受けることができる。
我々はこのタスクを、正確なセマンティクスと因果警告による要求駆動イベント検出として定式化し、現在のSurgStreamerを提示する。
1-FPSストリームをツール、アクション、フェーズ上の構造化状態にマッピングするプロシージャ固有の知覚を、プロシージャに依存しない推論から分離する。
- 参考スコア（独自算出の注目度）: 1.6312989763677888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surgical teams could benefit from assistants that watch the video for requested events, such as "tell me when the clip applier appears during Calot triangle dissection", and answer questions about what has already happened. We formalise this task as request-driven event detection with exact semantics and causal alert decisions, and present SurgStreamer. It separates procedure-specific perception, which maps the 1-FPS stream to a structured state over tools, actions and phases, from procedure-agnostic reasoning, which evaluates a formal monitoring condition over this state and an event memory, either with exact rules or with a small controller that addresses entities through pointers rather than names. We evaluate this monitoring core with gold conditions. On a pre-registered, sealed test set of 12 laparoscopic cholecystectomies, SurgStreamer reached a macro event-F1 of 0.598 over full procedures. On identical 75-s windows with only the window available to every method, it scored 0.677. The tested configurations of the streaming vision-language model OneStreamer-4B, including ones fine-tuned on SurgStreamer's state or on video with an adapted vision encoder, scored at most 0.540 (Holm-adjusted p <= 0.012). At three external centres, re-training only perception raised performance on held-out procedures from 0.239 to 0.470. On a new procedure, pituitary surgery, controller weights trained on cholecystectomy matched an in-domain controller on oracle state (0.947 vs 0.938). On predicted state they missed the pre-registered non-inferiority margin (-0.024 [-0.040, -0.008]) unless the alert thresholds were re-calibrated. The results support separating perception from reasoning and point to perception under distribution shift as the main limitation.
- Abstract（参考訳）: 手術チームは、要求されたイベントのためにビデオを視聴するアシスタントの恩恵を受けることができる。
我々はこのタスクを、正確なセマンティクスと因果警告による要求駆動イベント検出として定式化し、現在のSurgStreamerを提示する。
1-FPSストリームをツール、アクション、フェーズ上の構造化状態にマッピングするプロシージャ固有の認識と、この状態上の正式な監視条件とイベントメモリを評価するプロシージャに依存しない推論を、正確なルールか、名前ではなくポインタを介してエンティティを処理する小さなコントローラで分離する。
このモニタリングコアを金条件で評価する。
12個の腹腔鏡下胆嚢摘出術を事前に登録し封印した試験セットで、SurgStreamerは完全な手順で0.598のマクロイベントF1に達した。
同一の75秒のウィンドウで、すべてのメソッドに利用可能なウィンドウしか持たず、0.677のスコアを得た。
ストリーミングビジョン言語モデルのOneStreamer-4Bは、SurgStreamerの状態や、適応されたビジョンエンコーダでビデオに微調整されたものを含み、0.540(Holm-adjusted p <= 0.012)でスコアされた。
3つの外部センターにおいて、再学習は0.239から0.470までのホールドアウト手順のパフォーマンスを上げた。
下垂体手術では,胆嚢摘出術で訓練したコントロールウェイトが,口腔状態(0.947 vs 0.938)のドメイン内コントローラと一致した。
予測された状態では、警告しきい値が再校正されない限り、事前登録された非不妊率マージン(-0.024[-0.040,-0.008])を逃した。
その結果,主限界として分布シフト下での知覚を推論から切り離すのに有効であることがわかった。
関連論文リスト
- From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
本研究は, ベットによる検査に基づく漏洩検出について検討する。
13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
論文 参考訳（メタデータ） (2026-09-27T14:14:10Z) - QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
QuPIDは、量子パラメータ効率の入力依存型検索適応である。
凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。
凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
論文 参考訳（メタデータ） (2026-09-27T08:22:58Z) - When Are Aggregate Agent Traces Diagnosable? Traffic-Governed Interpretation and Calibrated Abstention [0.39287497907611874]
様々な需要体制下での個別価格行動に対して,ホテル価格エージェントの模擬時間,在庫,市場状態について検討した。
政策が感染した細胞をめったに訪れると、断層は集合的な痕跡を残しない可能性がある。
我々は,集計や局所化に先行する診断可能性判定として,集約のみの故障解釈への参入を論じる。
論文 参考訳（メタデータ） (2026-09-22T07:37:48Z) - PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control [49.348182500314614]
アクションのみの拡散は直接アクションを生成するが、テスト時間運動の目的に対する明示的な将来の軌道は欠如している。
連立状態-作用拡散はこの表現を提供するが、代表コントローラはしばしば特権付きフルボディ状態に依存する。
提案するPredActorは,これらのステアリングを直接実行されるポリシに含める,予測的行動拡散ポリシである。
論文 参考訳（メタデータ） (2026-09-21T16:20:25Z) - Refuse, Decompose, Refresh: A Claim-Safe Protocol for Closed-Loop AI Evaluation [0.39287497907611874]
AI評価は完璧に再現可能であり、いまだに間違った主張を支持している。
3つのアクションを持つクレームセーフプロトコルを提案する。
プロトコルをアグリゲートのみのシミュレータでインスタンス化する。
論文 参考訳（メタデータ） (2026-09-17T15:09:16Z) - Guardrailed Meta-Agent Loops: Stress-Testing Policy Pinning, Budget Bounds, and Crash Recovery [7.414694666903067]
GuardrailLoopはシミュレーションベースのテストベッドで、3つの運用契約を共同でテスト可能にする。
ハッシュピン付ポリシーは、目標、スコープ、評価アイデンティティ、予算、リリース条件を修正します。
有用な適応、状態回復、反復実行を分離する。
論文 参考訳（メタデータ） (2026-09-10T21:22:08Z) - The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。
2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。
80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
論文 参考訳（メタデータ） (2026-08-06T17:57:06Z) - A global predicted-fMRI drive signal from TRIBE does not predict YouTube replay heatmaps [0.0]
マルチモーダル脳エンコーディングモデルは、自然なビデオに対するfMRI応答を高精度に予測する。
TRIBEを48本のYouTubeビデオで実行し、秒単位のエンゲージメント曲線に対する予測された皮質反応を削減します。
TRIBEの入力ストリームでプローブを実行すると、少なくとも小さな境界線視覚ストリーム信号が明らかになる。
我々は、YouTubeのSABRストリーミングに堅牢なコード、ビデオIDマニフェスト、ヒートマップ取得方法をリリースする。
論文 参考訳（メタデータ） (2026-07-01T19:03:17Z) - Internal-State Probes Read the Situation, Not the Action: Three Negative Results for Pre-Action Misalignment Monitoring [1.3636639880574484]
内部の読み出しは、それらのアクションが生成される前に有害なテキストやツールアクションを特定する場合、エージェントシステムを監視するのに役立つ。
Qwen2.5-Coder-32B-Instruct fine-tune/base direction, Llama-3.1-8B-Instruct probes at the last token of unsafe prefills, Gemma-3-27B-IT emotion-concept vectors for projection and steering。
論文 参考訳（メタデータ） (2026-06-29T15:18:36Z)
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。