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，即预测接下来应执行的步骤或使用的器械，提出以图表示学习建模器械运动与交互，并通过多预测时间跨度学习改善不同提前量下的预判表现。研究对象是手术视频中的器械及工作流，而非 EEG 解码或 BCI。 核心机制是将连续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与相互作用。该设计旨在增强模型对器械空间关系和时间模式的表达能力。作者另提出 multi-horizon learning 策略，以平衡不同预测时间跨度任务的学习；具体网络结构、边的构建规则、损失函数及任务权重尚未验证。 作者报告，在 Cholec80 数据集的器械预判评估中，所提方法相较采用更丰富骨干网络的对照方法取得更低误差：inMAE 为 1.27 对 1.48，eMAE 为 1.48 对 2.68。摘要未提供这两个指标的具体定义、单位、对应预测时间跨度、数据划分及基线名称，因此不能据此判断跨协议优势或实际部署收益。 实验协议、消融及统计信息尚未验证，复现还需核对器械边界框的获取方式、训练与推理所需输入，以及多时间跨度学习的实现细节。材料未提供其对 EEG 或 BCI 的直接验证，也不足以建立具体迁移对应关系，因此不将手术工作流预判结果解释为 BCI 有效性证据。