面向基于图表示学习的手术工作流预判

基于摘要分析。本文研究手术工作流预判，即预测接下来需要执行的步骤或使用的器械，而非 EEG 或 BCI 解码。作者提出图表示学习框架，以器械运动及交互关系建模手术过程，并通过多预测时距学习策略兼顾不同时间跨度的预判任务。 核心机制是将连续视频帧中的器械边界框信息映射为图节点，构建跨帧及器械间的边，以表示器械随时间变化的轨迹和相互作用。这一表示同时建模器械的空间关系与时间动态。摘要还提出多预测时距学习策略，但其具体损失、时距设置及平衡方式尚未验证。作者将引入时空图表示作为主要创新，并声称这是该表示首次用于手术工作流预判；这一优先性主张尚未独立核实。 在 Cholec80 数据集的器械预判评估中，作者报告：所提方法的 inMAE 为 1.27，对照方法为 1.48；eMAE 为 1.48，对照方法为 2.68。摘要称对照使用了更丰富的骨干网络，但未提供其名称。上述指标的完整定义、单位、预测时距、数据划分、统计信息及消融结果尚未验证，因此不能据此判断跨协议优势或临床实用性。复现需进一步核对器械边界框的获取方式、图构建细节及训练与推理流程。 平台推测（待验证）：若将该机制迁移至 EEG，可假设以通道作为节点、通道间关系及跨时间连接作为边，复用时空关系建模与多预测时距学习思路，用于具有明确未来事件标签的预测任务。但器械轨迹与 EEG 通道信号的数据结构并不等价，节点特征、边构建及监督目标均需改造；低信噪比、跨被试差异、通道配置变化和小样本可能使关系建模失效。一个可证伪的小实验是，在固定跨被试划分、输入窗口与预测时距下，对比仅时间建模、加入空间图及再加入多时距学习，检验各模块是否带来稳定增益。相关 EEG 工作尚未检索确认。