Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Generating Natural-Language Surgical Feedback: From Structured Representation to Domain-Grounded Evaluation

Created by
  • Haebom
Category
Empty

저자

Firdavs Nasriddinov, Rafal Kocielnik, Anima Anandkumar, Andrew J. Hung

개요

수술 훈련생의 기술 향상을 위해, 실제 트레이너의 피드백을 기반으로 하는 자동화된 피드백 생성 파이프라인을 제시합니다. 이 파이프라인은 트레이너-훈련생 간의 실제 대화 내용을 분석하여 수술 동작 온톨로지를 학습하고, 이를 통해 GPT-4o가 임상적으로 적절한 트레이너 스타일의 피드백을 생성하도록 유도합니다. 구체적으로, Instrument-Action-Target (IAT) 삼중항을 추출하고, 비디오-IAT 모델을 fine-tuning하며, IAT 표현을 사용하여 GPT-4o의 피드백 생성 성능을 향상시킵니다. 실험 결과, 비디오-IAT 인식 정확도가 향상되었으며, IAT를 활용한 GPT-4o의 피드백 생성 품질이 높아졌습니다.

시사점, 한계점

•
시사점:
◦
실제 트레이너의 피드백을 기반으로 한 자동화된 수술 훈련 시스템 구축 가능성을 제시합니다.
◦
IAT 구조를 활용하여 피드백 생성의 정확성과 임상적 관련성을 향상시켰습니다.
◦
훈련생에게 시의적절하고 일관된 피드백을 제공하여 학습 효과를 증진시킬 수 있습니다.
◦
피드백 생성 과정의 투명성을 높여 임상 활용의 신뢰도를 확보했습니다.
•
한계점:
◦
33건의 수술 데이터만을 사용하여, 모델의 일반화 능력이 제한적일 수 있습니다.
◦
모델 성능 평가가 특정 평가 척도(fidelity rubric)에 의존하므로, 주관적인 요소가 작용할 수 있습니다.
◦
GPT-4o와 같은 대규모 언어 모델에 의존하므로, 모델의 비용 및 접근성에 대한 문제가 있을 수 있습니다.
◦
비디오-IAT 모델의 성능 향상에도 불구하고, 완벽한 피드백 생성에는 여전히 개선의 여지가 있습니다.
👍
Made with Slashpage