检索问题
手术视频大语言模型训练,最新进展和应用前景
在手术视频大语言模型(LLM)训练领域,最新的进展主要集中在解决数据稀疏性、异质性、隐私问题以及如何更有效地利用多模态数据和专家知识。这些进展极大地拓展了LLM在手术领域的应用前景,从辅助教育和培训到提升手术安全性和效率,再到自动化文档和决策支持。
最新进展
-
多模态LLM与自适应学习框架
- LMT++框架:一项研究提出了LMT++,一个LLM辅助的多教师持续学习(CL)框架,用于解决机器人手术视频中的持续视觉问答(VQA)问题 。该框架利用多模态LLM作为补充教师,其强大的泛化能力和对手术领域的理解能够弥补因不同来源手术程序引起的显著领域偏移和医疗器械或手术程序出现频率不均导致的数据不平衡问题 。
- 创新的数据处理和权重分配:为了将LLM整合到CL框架中,研究提出了一种创新方法,将复杂的LLM嵌入转换为CL训练框架中使用的logits值 。此外,还设计了一种自适应权重分配方法,以平衡LLM的泛化能力和传统VQA模型在先前模型训练过程中获得的领域专业知识 。
- 新的数据集与超越SOTA:研究还创建了一个新的手术VQA数据集用于模型评估,实验结果表明LMT++超越了现有最先进的CL方法 。
-
大规模、分层的手术视觉语言数据集 (SurgLaVi)
- 解决数据限制:现有的外科VLP(Vision-Language Pre-training)在规模、程序多样性、语义质量和分层结构方面受到限制,阻碍了手术VLP的进展 。
- SurgLaVi的构建:为解决这些问题,SurgLaVi被提出,它是迄今为止最大、最多样化的手术视觉语言数据集,包含近24万个片段-字幕对,涵盖200多种手术程序,并具有粗粒度、中粒度和细粒度的分层级别 。其核心是一个全自动流程,系统地生成手术视频的细粒度转录,并将其分割成连贯的程序单元,通过双模态过滤去除不相关和噪声样本,以确保高质量的注释 。
- SurgLaVi-β的发布:为了提高可访问性,还发布了SurgLaVi-β,一个包含11.3万个片段-字幕对的开源衍生数据集,其规模是现有外科VLP数据集的四倍多 。
- SurgCLIP基准模型:研究引入了SurgCLIP,一个CLIP风格的视频-文本对比框架,作为代表性的基础模型,通过在阶段、步骤、动作和工具识别方面实现显著改进,超越了现有最先进的方法 。这验证了大规模、语义丰富和分层结构的数据集能够直接转化为更强大和更具泛化性的表征,使SurgLaVi成为开发手术基础模型的关键资源 。
-
利用专家知识和语言进行手术视频理解
- 模仿人类学习过程:一项研究提出了一种新颖的方法来解决标注训练数据的稀疏性和异质性问题,其灵感来源于人类观察专家并理解其解释的学习过程 。
- 视频-语言模型的训练:该方法利用一个在对齐、去噪和生成任务上训练的视频-语言模型,学习短时空和多模态表示 。随后,一个任务特定的时间模型被用于捕捉整个视频中的关系 。
- 大规模预训练数据集的构建:为了实现手术领域的全面视频-语言理解,研究引入了一种数据收集和过滤策略,从教育性YouTube视频构建了一个大规模预训练数据集 。
- 参数高效微调:通过将公开可用的手术数据集中的下游任务注释投射到语言领域,实现了参数高效的微调 。
- 性能提升与新任务能力:该方法在两项手术领域的实验中表现出高达7%的阶段分割任务性能提升,5%的零样本阶段分割能力,并在少量样本设置中与完全监督模型具有可比性 。该模型还首次为手术视频提供了密集视频字幕(DVC)的综合解决方案,尽管手术领域缺乏现有的DVC数据集 。
-
文本到视频生成AI (Sora)
- 创新技术:Sora是生成式AI领域的创新,它利用自然语言处理、深度学习和计算机视觉从文本提示生成令人印象深刻的视频 。
- 潜在应用:在神经外科领域,Sora在患者教育、公共卫生、手术培训和规划以及研究传播方面具有许多潜在应用 。
应用前景
LLM在手术视频训练中的进展预示着其在多个方面具有广泛的应用前景,旨在提高手术的安全性、效率和教学质量。
-
手术培训与教育
- 个性化反馈与技能发展:LLM可以增强沟通、个性化反馈并促进技能发展,尤其在基于模拟的训练、AI驱动的评估工具、视频评估系统以及虚拟现实(VR)和增强现实(AR)平台中发挥作用 。它们还可以用于反馈的转录、翻译和总结 。
- 辅助外科医生:通过对术中视频的分析,LLM可以帮助识别手术阶段、器械使用,甚至预测手术持续时间,从而为外科医生提供实时辅助和教育 。这使得AI模型能够更好地理解手术过程,并为外科医生提供更安全、更有效的护理 。
- 精细化活动识别:识别手术动作的三联体(器械、动词、目标)组合可以提供关于手术活动更全面的细节,这对于开发手术中的AI辅助至关重要 。虽然目前手术工作流分析尚未完全解决,但这些进展为未来细粒度手术活动识别的研究指明了方向 。
- 生成式视频用于教学:Sora等文本到视频的生成式AI工具,可以从文本提示生成高质量的手术视频,用于患者教育、公共卫生宣导和手术培训与规划,使得复杂的医疗信息更易于理解和传播 。
-
手术规划与决策支持
- 术中视频分析:计算机视觉和AI的快速发展,特别是深度学习的应用,使得计算机能够准确理解图像并记住过去的手术事件,从而能够识别各种手术中的手术阶段和器械 。未来研究将利用更大的视频数据集和改进的算法,提高准确性和可解释性,创建有临床实用价值的AI模型,从而增强外科医生提供更安全护理的能力 。
- 风险预测与决策辅助:基于机器学习的算法正被研究用于风险预测的决策辅助,甚至用于术中应用,包括图像识别和视频分析 。
- 工作流理解:通过对齐语言与手术视频,视觉语言预训练(VLP)可以实现工作流理解和跨任务的知识转移,而无需依赖专家标注的数据集 。
-
自动化文档与报告
- 提高操作报告的准确性:AI计算机视觉算法能够自动检测手术步骤,并将每个检测到的步骤映射到预设文本,从而编译成叙述性的AI操作报告 。研究表明,AI创建的操作报告比外科医生手写的报告具有更高的准确性(87.3% vs 72.8%),并且临床显著差异更少(12.7% vs 27.2%) 。
- 减轻行政负担:自动创建视频驱动的AI手术操作报告有望减少文档负担,提高操作报告的准确性,促进手术透明度,并减少手术文档的主观性,从而潜在地缓解外科医生倦怠 。
-
提高手术安全性和效率
- 上下文感知决策支持:通过对手术工作流的实时反馈分析,可以实现手术室中的上下文感知决策支持,从而提高手术安全性和效率 。
- 辅助术中决策:AI在手术室中的现有应用包括手术持续时间预测、手势识别、术中癌症检测、术中视频分析、工作流识别、内窥镜引导系统、打结和骨科手术中骨骼的自动注册和跟踪等,这些都有望提高手术精度,减少人力,支持术中决策,并提高手术安全性 。
- 克服挑战:尽管AI带来了巨大的机遇,但仍需解决一些挑战,包括准确性和可靠性、伦理和隐私问题、AI模型中的偏见、与现有培训系统的整合以及AI辅助工具的培训和采用 。通过积极应对这些挑战,未来手术培训的格局可能会被重塑,为受训者提供更全面、安全和有效的学习体验,最终带来更好的患者结局 。
挑战与未来方向
尽管LLM在手术视频训练中展现出巨大潜力,但仍存在一些挑战需要克服:
- 数据隐私和伦理:患者数据的隐私问题是一个核心挑战,这使得训练VQA模型时使用以前的数据受到限制,从而需要采用无样本持续学习方法 。此外,偏见、伦理和隐私问题是AI模型集成到手术领域必须解决的典型担忧 。
- 模型准确性和可靠性:虽然AI在某些任务中表现出更高的准确性,但物理上不合理的动作生成、主体自发生成、物体不自然变形、不准确的物理交互以及多主体生成时异常行为表现等是当前模型面临的显著局限性 。需要进一步调查以确定生成视频与非生成视频相比的有效性 。
- 整合与采纳:将AI工具整合到现有培训系统和临床实践中,以及医生和培训生的培训和采纳,都是实现广泛应用的关键 。
- 临床验证:目前AI在手术室中的实际应用仍然有限,未来的研究应侧重于AI应用的临床验证、法律和伦理考量以及实施轨迹的评估 。
- 基础模型开发:SurgLaVi等大规模数据集的出现,为开发更强大、更具泛化性的手术基础模型奠定了基础,但如何有效地利用这些数据构建能够理解复杂手术工作流、进行精细化交互分析的通用模型,仍是重要的研究方向 。
- 多模态融合的深度:虽然多模态LLM和视频-语言模型已经取得进展,但如何更深层次地融合视觉、语言和结构化医疗数据,以实现更细致的上下文理解和推理,是进一步提升模型性能的关键 。
总而言之,手术视频大语言模型的训练正处于快速发展阶段,通过解决数据限制、融合多模态信息和利用先进的深度学习技术,其在手术培训、规划、文档和决策支持等方面的应用前景广阔。然而,要实现这些潜力的全面释放,还需要在数据隐私、模型可靠性、伦理规范和临床验证方面进行持续的努力。
References