Swin Transformerと時間平滑化による腹腔鏡下胆嚢摘出術の術式フェーズ認識

- 腹腔鏡下胆嚢摘出術(Laparoscopic Cholecystectomy)を対象とした手術フェーズ認識と術具位置推定の統合フレームワーク。 - Swin Transformer と Temporal Transformer Encoder (TTE) を組み合わせたフェーズ認識部と、並列に動作する YOLOv11s によるリアルタイム術具検出部から構成。 - フェーズのちらつき(phase flickering)を抑えるため causal temporal smoothing を適用し、安定したワークフロー予測を目指す。 - 知的手術室における状況認識・術中意思決定・チームワーク・手術記録の支援を動機とする。

- 従来の AI 手法はフェーズ遷移時に予測が変動しやすく、臨床利用の妨げになっていた点を課題として明示。 - Cholec80 上でフェーズ認識精度 92%、macro average F1-score 0.86 を達成。 - CNN 系の EndoNet (81.7%)、SV-RCNet (85.3%)、temporal convolutional/transformer 系の TeCNO (88.6%)、Trans-SVNet (90.9%)、LoViT (91.5%) を上回ると報告。 - 術具検出も mAP@0.5 = 0.863 を同時に達成し、フェーズ認識と術具位置推定を並列で行う点が特徴。

- Swin Transformer で時空間特徴を抽出し、Temporal Transformer Encoder (TTE) で時系列文脈をモデル化して手術フェーズを認識。 - 並列に YOLOv11s ネットワークを配置し、術具のリアルタイム位置推定を実施。 - causal temporal smoothing を適用することで、フェーズ遷移時の予測のちらつきを抑制し安定したワークフロー予測を生成。 - 詳細なアーキテクチャや smoothing の具体的アルゴリズムは要旨からは不明。

- Cholec80 データセットを用い、手術フェーズ認識と術具検出を同時に評価。 - フェーズ認識は overall accuracy 92%、macro average F1-score 0.86 を報告。 - 術具検出は mAP@0.5 = 0.863 を報告。 - 先行手法(EndoNet, SV-RCNet, TeCNO, Trans-SVNet, LoViT)との精度比較により有効性を主張。 - 交差検証や被験者分割などの詳細な評価プロトコルは要旨からは不明。

- 高いフェーズ認識率と術具位置推定精度が得られ、結果の信頼性が確認されたと主張。 - 知的手術支援や状況認識の強化、将来的なロボット手術応用の基盤になり得ると述べる。 - 一方で、phase flickering の定量的評価、causal temporal smoothing の遅延や誤りの影響、他施設・他術式への汎化性、リアルタイム性の詳細は要旨からは不明。 - コード公開予定(URL 記載)であり再現性への配慮が見られる。

- EndoNet - SV-RCNet - TeCNO - Trans-SVNet - LoViT - Swin Transformer - YOLOv11s - Cholec80 データセット関連の手術フェーズ認識研究