One-shot skill assessment in high-stakes domains with limited data via meta learning

要約

ディープ ラーニング (DL) は、さまざまな一か八かの分野で堅牢なコンピテンシー評価を達成しました。
ただし、DL モデルの適用性は、多くの場合、その実質的なデータ要件と特定のトレーニング ドメインへの制限によって妨げられます。
これにより、データが不足している新しいタスクに移行できなくなります。
したがって、ドメイン適応は、現実世界のシナリオで DL を実際に実装するための重要な要素として浮上します。
ここでは、ワンショット学習を通じてドメインに依存しないスキル評価を提供できる新しいメタ学習モデルである A-VBANet を紹介します。
私たちの方法論は、5 つの腹腔鏡およびロボットシミュレーターと実際の腹腔鏡下胆嚢摘出術での手術スキルを評価することによってテストされています。
私たちのモデルは、シミュレーションタスクではワンショット設定で最大 99.5%、数ショット設定で 99.9%、腹腔鏡下胆嚢摘出術では 89.7% の精度で適応することに成功しました。
この研究は、重要な分野におけるスキル評価のためのドメインに依存しない方法論の最初の例であり、データが限られている現実の多様なドメインにわたる DL の広範な適用の前例となるものです。

要約(オリジナル)

Deep Learning (DL) has achieved robust competency assessment in various high-stakes fields. However, the applicability of DL models is often hampered by their substantial data requirements and confinement to specific training domains. This prevents them from transitioning to new tasks where data is scarce. Therefore, domain adaptation emerges as a critical element for the practical implementation of DL in real-world scenarios. Herein, we introduce A-VBANet, a novel meta-learning model capable of delivering domain-agnostic skill assessment via one-shot learning. Our methodology has been tested by assessing surgical skills on five laparoscopic and robotic simulators and real-life laparoscopic cholecystectomy. Our model successfully adapted with accuracies up to 99.5% in one-shot and 99.9% in few-shot settings for simulated tasks and 89.7% for laparoscopic cholecystectomy. This study marks the first instance of a domain-agnostic methodology for skill assessment in critical fields setting a precedent for the broad application of DL across diverse real-life domains with limited data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google