Stabilizzazione dell'inferenza temporale nel riconoscimento online delle fasi chirurgiche
Un nuovo studio da arXiv (2605.16387) identifica due meccanismi alla base dell'instabilità temporale nei modelli di Riconoscimento Online delle Fasi Chirurgiche (SPR): classificazioni errate precoci che causano cascate di errori e dipendenza da decisioni frame-wise senza memoria durante le transizioni di fase. Gli autori propongono un framework unificato Train-Inference-Evaluation con componenti plug-and-play, tra cui una perdita Temporal Error-Cascade (TEC) per l'addestramento e un modulo Evidence per l'inferenza, per stabilizzare le previsioni senza sacrificare l'accuratezza.
Fatti principali
- I modelli SPR online raggiungono un'elevata accuratezza frame-wise ma mancano di stabilità temporale.
- L'instabilità deriva da classificazioni errate precoci che si propagano in avanti e decisioni frame-wise senza memoria.
- Viene proposto un framework unificato Train-Inference-Evaluation.
- La perdita Temporal Error-Cascade (TEC) sopprime l'insorgenza di errori durante l'addestramento.
- Il modulo Evidence stabilizza le dinamiche di inferenza.
- I componenti sono agnostici rispetto al modello e plug-and-play.
- Lo studio è pubblicato su arXiv con ID 2605.16387.
- L'attenzione è sulla comprensione del flusso di lavoro chirurgico e sull'assistenza a valle.
Entità
Istituzioni
- arXiv