手術トリプレット認識の最適化：知識駆動型Mixture-of-Expertsソリューション

本論文は、ロボット支援手術における文脈認識のための surgical action triplet recognition（器具・動詞・対象の組み合わせ認識）タスクを扱う。既存手法が抱える3つの問題（成分レベルの最適化競合、カテゴリレベルの最適化競合、ドメイン知識の欠如）に対処するため、知識駆動型学習に基づく Mixture-of-Experts-guided Co-Optimization (MoeCo) フレームワークを提案する。

既存手法は、成分間の特徴空間が絡み合うことで最適化競合が生じ、またデータ不均衡によりカテゴリ間の競合が生じる。さらに、ドメイン知識の活用が不足し、解釈性や頑健性が限定的である。本提案は、成分特化アダプタによる特徴分離、勾配調整によるカテゴリ不均衡への対処、そして知識駆動型 mixture-of-experts による動的知識統合を統合した点が新しい。

手法の核は3点。(1) component-tailored adapter により、空間・時間領域でタスク固有の特徴を分離し、成分特化を促進。(2) coordinated gradient learning strategy により、正負勾配を適応的に再バランスし、稀なカテゴリの認識を向上。(3) knowledge-driven mixture-of-experts 機構により、multimodal large language model から得られる知識を活性化されたエキスパートを介して動的に統合し、表現を強化する。

公開データセット CholecT45 と CholecT50 を用いて広範な実験を実施し、提案する co-optimization パイプラインの有効性と、知識駆動型 mixture-of-experts 機構による動的先行知識統合の優位性を確認した。

要旨からは、提案手法の限界や将来課題についての具体的な議論は不明。ただし、知識駆動型アプローチの解釈性向上や、データ不均衡への対処が有効であることが示唆されるが、計算コストや実時間性への影響などは言及されていない。

要旨で参照されている関連研究として、surgical action triplet recognition の既存手法（例：CholecT45 や CholecT50 を用いた先行研究）や、mixture-of-experts を用いた一般的な手法、multimodal large language model を手術理解に応用した研究が挙げられる。具体的な論文名は要旨にないため、同分野の定番として、'Surgical triplet recognition' や 'Mixture of Experts' に関する論文を読むとよい。