Brain-NET是一种深度学习方法，基于神经成像数据准确预测外科医生认证分数

为了获得普通外科的认证，美国的住院医师需要证明腹腔镜基础项目(FLS)的熟练程度，这是一项要求在体能训练单元内操作腹腔镜工具的测试。该评估的核心是一个被称为FLS的定量分数，它是使用一个耗时且劳动密集的公式手工计算的。

Rensselaer理工学院的多学科工程师团队与布法罗大学雅各布斯医学和生物医学科学学院的外科学部门密切合作，通过结合脑光学成像和他们称为“brain - net”的深度学习框架，开发出了一种新的新方法这有可能改变外科医生的培训和认证过程。

在一篇新文章里IEEE生物医学工程汇刊，研究人员展示了Brain-NET如何仅基于神经成像数据，就外科运动技能准确预测一个人的专业水平。这些结果支持了该团队开发的一种新的、更有效的外科医生认证方法的未来采用。

“这是一个真正属于零售价格指数独有的专业领域，”牛津大学教授Xavier Intes说生物医学工程他领导了这项研究。

根据Intes的研究，Brain-NET不仅比传统的预测模型执行得更快，而且更准确，特别是在分析更大的数据集时。

Brain-NET建立在该研究小组在这一领域的早期工作之上。由伦斯勒机械、航空航天和核工程系主任苏夫拉努·德(Suvranu De)领导的研究人员此前表明，他们可以通过光学成像分析大脑激活信号来准确评估医生的外科运动技能。

此外，它有可能简化外科医生认证过程Brain-NET的开发与光学成像分析相结合，也为正在接受培训的外科医生提供了实时评分反馈。

Intes说:“如果你能得到预测分数的测量值，你就可以立即给出反馈。”“这开启了补救或培训的大门。”

---

---