Recherche sur l’évaluation visuelle des compétences d’ingénierie dans les applications de santé basée sur la modélisation 3D assistée par l’intelligence artificielle

Résumé

Cette recherche présente une méthodologie multimodale pilotée par l’IA pour mesurer objectivement les compétences en ingénierie en modélisation 3D médicale, intégrant des marqueurs géométriques, comportementaux et cognitifs. La fusion bayésienne avec l’analyse visuelle en temps réel permet une évaluation précise des compétences validée à travers un large éventail de tâches et de niveaux de compétence des participants.

Résumé

La modélisation 3D assistée par l’intelligence artificielle (IA) est devenue centrale dans la santé moderne, mais le domaine manque encore d’un moyen reproductible et évolutif d’évaluer la compétence en ingénierie pour les modèles numériques utilisés cliniquement. Les contrôles de qualité existants ont tendance à se concentrer sur les sorties finales du maillage sans prendre en compte le flux de travail de modélisation, le comportement de l’opérateur et les interactions avec l’aide de l’IA. Cette lacune freine la reproductibilité, la formation efficace et limite la conformité réglementaire. Ce travail propose le premier cadre d’analyse visuelle de bout en bout conçu pour mesurer et communiquer les compétences en ingénierie lors de tâches de modélisation 3D centrées sur la santé. Le cadre proposé définit un concept spécifique à un domaine, allant de la précision géométrique à la compétence opérationnelle et à l’adaptabilité cognitive, et quantifie ces dimensions à travers un ensemble d’indicateurs comportementaux, géométriques et physiologiques interprétables. Il intègre, au sein d’une architecture à quatre couches, la capture de données multimodales, l’extraction de caractéristiques en temps réel via des modèles légers d’apprentissage profond, la fusion bayésienne des preuves pour l’estimation continue des compétences, ainsi que des modules de rétroaction visuelle intuitifs. Le système maintient l’étalonnage pour les nouveaux outils et la modélisation de scénarios via un mécanisme d’apprentissage actif en ligne qui minimise les exigences d’annotation d’experts. Le cadre a été testé avec 60 participants réalisant deux tâches de modélisation cliniquement réalistes concernant la conception d’implants orthopédiques et la reconstruction vasculaire. Les résultats ont montré un fort accord avec les évaluations des experts, une discrimination claire entre les niveaux de compétence et une prédiction significative de la qualité future de la modélisation. Python était utilisé respectivement pour les tâches de corrélation, de régression, de validation et de visualisation. Les tests d’ergonomie ont montré une forte acceptation ; Les participants valorisaient fortement la clarté des retours visuels qui favorisaient l’amélioration autodirigée. En fin de compte, ce cadre proposé transforme l’évaluation de la modélisation 3D, passant d’un résultat statique en section à une revue dynamique centrée sur le processus, fondée sur des preuves multimodales. Le résultat est une solution pragmatique, interprétable et évolutive pour la formation, la certification et la supervision réglementaire des flux de travail critiques de modélisation 3D pour la santé, et la base de futures collaborations humain-IA et de l’analyse des compétences en conception médicale.

Introduction

L’adoption rapide sur le marché de la modélisation 3D pilotée par l’IA dans la santé change la manière dont les implants, guides et reconstructions anatomiques sont créés, mais le domaine n’a toujours pas de méthode fiable pour évaluer les compétences en ingénierie derrière ces modèles. La pratique dominante aujourd’hui repose fortement sur les inspections des produits finaux qui, bien qu’utiles pour détecter des erreurs géométriques, n’apprécient pas le flux de travail de modélisation, l’interaction utilisateur-IA ou la prise de décision moment par instant impliquée dans leur création. Par conséquent, les équipes cliniques ne peuvent souvent pas déterminer si un modèle a été produit par des processus compétents et reproductibles ou par essais et erreurs^{chanceuses 1}. Cet écart prend de plus en plus d’importance. Les hôpitaux, les régulateurs et les programmes d’impression 3D exigent désormais la preuve d’une qualité cohérente d’un flux de travail complet, et non simplement d’un maillage final correct, car les erreurs de modélisation peuvent affecter la sécurité chirurgicale, l’ajustement des dispositifs et la traçabilité de la fabrication. Il n’existe actuellement aucune méthode pour capturer (ou calculer) la compétence de modélisation de manière intégrée, systématique et évolutive qui inclue les aspects comportementaux, cognitifs et procéduraux de la compétence en modélisation. C’est la motivation principale du présent article², mais aucune définition opérationnelle de la « compétence en flux de travail » pour la modélisation axée sur l’anatomie et augmentée par l’IA n’a été^{proposée 3}. Cet écart entre les attentes réglementaires et la pratique quotidienne est la première motivation du travail actuel. Une seconde motivation est pédagogique. Les start-ups de la technologie de la santé et les hôpitaux universitaires forment les nouveaux venus en les associant à des modélistes seniors pendant 6 à 18 mois. L’approche est efficace mais ne s’étend pas : la base installée mondiale de places CAO médicales habilitées par IA a augmenté de 340 % entre 2020 et 2024, tandis que le bassin de mentors qualifiés est resté^{stable à 4}. Un système d’analyse visuelle capable de surveiller, diagnostiquer et coacher en temps réel délierait le débit de formation de la disponibilité des mentors et raccourcirait la courbe d’apprentissage pour les entrants non traditionnels tels que les radiographes ou les infirmiers qui effectuent de plus en plus de segmentation en front-end.

Troisièmement, il y a un argument cognitif-science. La modélisation médicale est une variante à enjeux élevés de la résolution de problèmes visuels qui allie raisonnement spatial, connaissances anatomiques et dextérité logicielle. Comprendre comment ces ressources sont orchestrées, quand elles tombent en panne et quand elles sont externalisées à l’IA nécessite une capture instant par moment des signaux oculaires, de la main et physiologiques. Le même flux de données qui éclaire l’expertise humaine peut également être utilisé pour l’évaluer, créant une boucle vertueuse entre la recherche et l’application. Malgré la richesse des littératures sur (i) l’évaluation procédurale des compétences en chirurgie et (ii) les métriques de qualité géométrique pour les maillages^{CAO 5}, l’intersection de l’évaluation bivisuelle de la compétence en ingénierie dans la modélisation 3D assistée par IA centrée sur la santé reste sous-explorée. Plus précisément, les grilles d’évaluation existantes manquent d’un concept de compétence spécifique au domaine et traitent donc des caractéristiques anatomiques critiques, telles que les angles de bifurcation vasculaire, de la même manière que les caractéristiques mécaniques génériques, telles que les trous de boulonnage. Les contraintes informées par l’anatomie, telles que la porosité du remplissage trabéculaire ou les limites de courbure de l’ostéotomie, sont absentes des fonctions de notation. Concernant la détection fragmentée, les études de capture de procédé en CAO, simulation chirurgicale ou jeu VR synchronisent rarement la cinématique, le regard, la physiologie et la voix à une résolution de moins de^{seconde 6}. Par conséquent, la validation intermodale est impossible, et la valeur incrémentale de chaque canal reste^{inconnue 7}. Concernant le score statique, les outils actuels produisent généralement une étiquette binaire de réussite/échec après la session. Ils manquent d’une méthode fondée pour exprimer l’incertitude ou mettre à jour les croyances sur la compétence de l’apprenant à mesure que de nouvelles preuves apparaissent — une exigence cruciale pour les protocoles de certification^{bayésiennes 8}. Enfin, concernant la discontinuité de rétroaction, même lorsque des données riches sont collectées, elles sont souvent stockées pour une revue post-hoc ou affichées sous forme de courbes brutes. Une couche visuelle alignée sur la théorie et spécifique au rôle qui associe des signaux de bas niveau à des conseils exploitables en temps réel n’existe actuellement^{pas 9,10}. Ces quatre lacunes se traduisent par des difficultés pratiques : 30 % des guides anatomiques imprimés en 3D nécessitent encore une refonte manuelle, et la FDA rappelle 2 à 3 lots d’implants spécifiques à chaque patient parce que l’ingénieur d’origine a mal compris une annotation^{de tolérance 11}. Un cadre de bout en bout qui ferme la boucle entre la détection multimodale et le retour interprétable est donc nécessaire.

La modélisation 3D médicale diffère de la CAO industrielle de trois manières qui affectent directement l’évaluation des compétences : la géométrie anatomique n’est pas paramétrique, la tolérance à l’erreur proche de zéro, et la traçabilité réglementaire est obligatoire¹². Le paradigme dominant d’évaluation reste la revue sommative d’experts du maillage polygonal final ou du fichier STL. Les grilles d’évaluation typiques examinent la déviation géométrique par rapport au modèle standard, la diversité topologique et la présence de repères spécifiés par le médecin. Comme l’inspection est manuelle, le κ de Cohen inter-évaluateur dépasse rarement 0,65¹³. Des plateformes commerciales telles que Mimics Innovation Suite et 3D Slicer fournissent des indicateurs de réussite/échec pour la qualité du maillage, mais ces indicateurs sont déterministes (rapport d’aspect triangulaire, faces qui se croisent) et ignorent la trajectoire réelle^{de modélisation 14}. La visualisation 3D pilotée par l’IA améliore la compréhension anatomique, mais une utilisation efficace dépend fortement des compétences de modélisation de l’opérateur. Bien que le VDR fournisse des images volumétriques précises, il n’existe pas de méthode structurée pour évaluer comment les utilisateurs interprètent, affinent ou manipulent ces modèles. Cette étude comble cette lacune en évaluant la compétence en modélisation 3D assistée par^{l’IA 15}. Les auteurs enregistrent les événements de défilement et d’invocation d’outils avec des coordonnées de curseur 3D à 30 Hz. Ils utilisent un auto-encodeur à mémoire longue et courte durée (LSTM) pour détecter les « trajectoires d’outils inefficaces » en CAO mécanique, obtenant un score F1 de 0,81 sur les étiquettes humaines. En élargissant l’analyse à l’attention visuelle, le jeu de données^{TAP-3D 16} contient des données de regard provenant de 120 ingénieurs effectuant des exercices Solid Works. Les séquences fixation-saccade sont encodées en vecteurs word2vec 128-D ; Le regroupement révèle cinq stratégies visuelles distinctes avec une corrélation significative avec le temps de modélisation (r = 0,73). Au-delà des indicateurs d’interaction utilisateur, Mandal, A. et Ghosh, A. ^R.17 estiment les attributs mécaniques des échafaudages complexes d’ingénierie tissulaire en utilisant des CNN 3D entraînés sur des topographies numériques 3D dérivées de modèles^{CAO 17}. Cette approche prédit avec précision le comportement de l’échafaudage et offre une voie de conception plus rapide assistée par l’IA pour les structures poreuses et métamatériales. Cependant, le taux de reproductibilité de cette prédiction est influencé par la diversité des ensembles de données, en particulier avec des géométries très irrégulières ou des défauts de fabrication.

Travaux récents de Schönfeldt, N., Hancock, P. et Birt, J.¹⁸ a étendu la capture de données pour inclure la voix et les protocoles de pensée à voix haute, notamment en transcrivant les commentaires verbaux dans des embeddings BERT 200-D pour les corréler avec le succès du débogage dans les tâches logicielles¹⁸. Bien que les modélisateurs médicaux parlent moins que les programmeurs, les enregistrements pilotes dans notre laboratoire montrent que des énoncés tels que « cette crête semble bruyante » coïncident avec 40 % des événements d’annulation ultérieurs, ce qui suggère une valeur prédictive. Ces études démontrent que les données procédurales peuvent être capturées discrètement et que les modèles d’apprentissage automatique peuvent mapper ces données en constructions de performance. Aucun d’entre eux, cependant, ne cible la modélisation 3D spécifique à la santé, où la variabilité anatomique et l’assistance de l’IA ajoutent des couches supplémentaires de complexité. L’analyse visuelle a été largement adoptée pour le retour formatif en simulation chirurgicale et en formation robotique. Le système MiEye¹⁹ superpose des cartes thermiques d’erreur codées par couleur sur des vidéos laparoscopiques enregistrées ; Les stagiaires progressent 26 % plus vite qu’avec le retour binaire. Pour l’enseignement en CAO, Chou, Y. H. et al.²⁰ proposer un tableau radar qui compare les indices des élèves (nombre de caractéristiques, temps de reconstruction, erreurs de reconstruction) aux percentiles de classe ; Les élèves ayant accès au tableau présentent une augmentation de 0,35 écart-type des scores post-test. La visualisation en temps réel reste encore peu explorée. Kim, I.-J. et Quteineh, S.S.²¹ rendre les données cinématiques en temps réel sous forme de rubans translucides en VR, mais leur métrique est purement une erreur de position ; La charge cognitive n’est pas prise en charge. À notre connaissance, aucun cadre existant ne combine les flux géométriques, comportementaux et physiologiques en une seule couche de rétroaction visuelle interprétable en temps réel, conçue pour la modélisation médicale 3D assistée par IA. La revue révèle quatre lacunes spécifiques que cette recherche vise à corriger : Manque de construction de compétence spécifique à la santé : les grilles d’évaluation actuelles traitent la modélisation médicale comme un CAO générique ; elles ignorent des contraintes informées par l’anatomie telles que le remplissage poreux des os ou les angles de bifurcation vasculaire. Détection fragmentée : Les études exploitent généralement une seule modalité (cinématique, regard ou physiologie). La synchronisation multimodale au niveau des moins de secondes est rarement tentée, et la validation intermodale est absente. La mise à jour bayésienne ou le suivi de confiance en ligne n’a pas été appliqué à la modélisation des compétences ; par conséquent, les évaluateurs ne peuvent pas exprimer d’incertitude ni incorporer de nouvelles preuves au fur et à mesure que la tâche se déroule. Discontinuité de rétroaction : Même lorsque des données riches sont collectées, elles sont soit stockées pour une revue post-hoc, soit affichées sous forme de courbes brutes. Il n’existe pas de couche visuelle de principe qui associe les signaux de bas niveau à un retour actionnel et aligné sur la théorie en temps réel. Ces lacunes justifient le développement d’un cadre de bout en bout qui (i) définit un concept de compétence multidimensionnel fondé sur les exigences des applications de santé, (ii) fusionne des données procédurales hétérogènes via une inférence bayésienne calibrée, et (iii) rend l’état de croyance évolutif via des visualisations interactives et spécifiques à chaque rôle. Dans un sens pratique, le cadre proposé offre aux hôpitaux un outil de suivi en temps réel pour modéliser la qualité, réduit la dépendance aux longs cycles d’évaluation d’experts et permet une utilisation clinique plus sûre des dispositifs spécifiques aux patients. Les centres de formation pourraient utiliser ce cadre pour fournir un retour d’information structuré et basé sur les données, facilitant le développement des apprenants et soutenant l’établissement de repères standardisés de compétences à travers les cohortes. Pour les régulateurs, le cadre proposé offre un mécanisme auditable et transparent pour documenter la compétence en matière de flux de travail, en accord avec les exigences émergentes pour la validation continue des procédés d’impression 3D médicale. S’appuyant sur ces motivations, cette étude conçoit et valide un cadre d’analyse visuelle qui quantifie les compétences en ingénierie dans la modélisation 3D axée sur la santé assistée par l’IA. Plus précisément, le cadre vise à définir une construction de compétence multidimensionnelle fondée sur le remplissage osseux poreux, les angles vasculaires et d’autres tolérances anatomiques ; synchroniser le regard, le mouvement de la main, les signaux physiologiques et les données d’interaction IA à une résolution de moins d’une seconde ; fusionner ces flux de données hétérogènes via une mise à jour bayésienne afin de générer une croyance évolutive en compétences avec une confiance explicite ; de transmettre cette croyance à travers des cartes radar en temps réel, des cartes thermiques et des annotations 3D à des fins immédiates de coaching ou de certification ; et maintenir une précision d’évaluation d’au moins 90 % via étalonnage par apprentissage actif qui s’adapte à de nouvelles imprimantes, modèles d’IA ou règles cliniques sans nécessiter de rééducation complète.

La présente étude aborde deux questions centrales : la fusion multimodale des données améliore la précision de l’évaluation des compétences par rapport à l’évaluation par experts, et si la mise à jour bayésienne permet de maintenir la précision de l’évaluation sans nécessiter de réentraînement complet du modèle.

Protocole

Cette étude a impliqué des participants humains et a été examinée et approuvée par le Comité d’éthique pour la protection de la recherche sur l’humanité, Xianda College of Economics and Humanities, Shanghai International Studies University (Approbation n° 2025XD1221). Tous les participants ont signé des formulaires de consentement éclairé et ont suivi une formation pré-expérience de 30 minutes : les participants EG ont appris à interpréter le retour visuel du cadre (cartes radar, cartes thermiques), tandis que les participants de la CG n’ont reçu que la formation à l’exploitation de la plateforme. Pour garantir la précision de la collecte des données, la pré-expérience a également impliqué l’étalonnage en 5 minutes des suiveurs oculaires et des capteurs physiologiques.

Objectifs de l’étude et aperçu du protocole

L’objectif de cette étude était de créer un système en boucle fermée, de bout en bout, intégrant l’acquisition multimodale, l’extraction de caractéristiques, la fusion bayésienne et la rétroaction visuelle afin d’évaluer les compétences en ingénierie de manière interprétable. La figure 1 présente le diagramme de protocole pour l’évaluation des compétences d’ingénierie dans les applications de santé basée sur la modélisation 3D assistée par intelligence artificielle.

Aperçu du cadre et logique hiérarchique

Le cadre d’évaluation visuelle des compétences d’ingénierie dans les applications de modélisation 3D assistée par IA proposé dans cette étude est construit sur la base de la logique en boucle fermée « données - extraction de caractéristiques - fusion de preuves - retour visuel ». Son objectif principal est d’atteindre une conversion de bout en bout des données brutes multimodales vers des résultats interprétables d’évaluation^{des compétences 22}. Pour garantir l’extraction fiable des caractéristiques multimodales pour évaluer les compétences en ingénierie, le cadre capture simultanément les signaux d’interaction, physiologiques, du regard, de gestes et vocaux avec une synchronisation temporelle au niveau de la milliseconde. Le cadre adopte une architecture hiérarchique, composée de quatre couches principales : la couche d’acquisition de données multimodale (L1), la couche d’extraction de caractéristiques IA (L2), le moteur de fusion des preuves et de notation (L3), et la couche de rétroaction visuelle (L4). Chaque couche réalise une interaction bidirectionnelle via des interfaces de données standardisées, et un module de calibration du cadre (L5) est introduit simultanément pour garantir la validité dynamique des résultats d’évaluation. La figure 2 montre le pipeline de bout en bout, en commençant par l’acquisition de données multimodales (regard, cinématique, physiologie, voix) via l’extraction de caractéristiques basée sur l’IA, le score bayésien, et un retour visuel et audiovisuel en temps réel. Les calques sont interactifs, la couche 5 assurant un calibrage continu. Cette architecture permet un traitement coordonné et une évaluation validée des compétences pour les participants lors de tâches de modélisation 3D en direct.

Équation (1) Formule de mise à jour de confiance bayésienne :

Où : P(θ) représente la probabilité a priori du niveau de compétence θ (basé sur des données d’évaluation historique) ; P(D∥θ) désigne la probabilité d’observer des données de caractéristiques multimodales D sous le niveau de compétence θ ; P(D) est la probabilité marginale ; P(D∥θ) est la probabilité postérieure du niveau de compétence θ après fusion des données D, c’est-à-dire le score final de confiance. Ce cadre utilisait une approche structurée Delphi et^{AHP 23} pour pondérer les indicateurs. Un panel de dix experts (chirurgiens orthopédistes, ingénieurs biomédicaux et modélisateurs CAD médicaux expérimentés) a participé à trois cycles de Delphi évaluant l’importance d’un indicateur sur une échelle de Likert à 9 points jusqu’à ce que la notation des experts atteigne la stabilité (coefficient de variation <0,15)²⁴. Ensuite, en utilisant les scores convergents/distribués des experts, une matrice de comparaison par paires a été construite et confirmée en utilisant le critère de cohérence AHP avec un ratio de cohérence (CR) < 0,1. Si le CR dépassait 0,1, la matrice était réajustée. Les ratios de cohérence des méthodes AHP pour les matrices de comparaison par paires étaient entre 0,03 et 0,08, indiquant une grande cohérence logique interne tout au long de l’approche hiérarchique multi-niveaux. La conception de chaque couche du cadre adhère au principe de « modularisation - extensibilité ». Par exemple, la couche L1 peut étendre la dimension de collecte des données physiologiques en ajoutant des biocapteurs ; La couche L2 peut s’adapter aux exigences d’évaluation des compétences de différentes applications de santé en remplaçant des modèles pré-entraînés ; La couche L4 prend en charge des dimensions de visualisation personnalisées basées sur les rôles de l’utilisateur. Cela offre une flexibilité pour les applications ultérieures dans la formation en modélisation 3D médicale et les scénarios de certification des compétences professionnelles.

Couche d’acquisition de données multimodale

Flux d’événements d’interaction 3D

Ce module collecte les données opérationnelles des ingénieurs provenant de plateformes de modélisation 3D assistées par IA via des plug-ins logiciels (16), couvrant à la fois des événements d’opérations discrètes et des données de paramètres continus. Les événements discrets incluent la sélection du modèle, l’ajustement des sommets et l’invocation d’outils IA, tandis que les paramètres continus impliquent la modélisation de la vitesse, le nombre d’annulations/refaits, et les taux d’acceptation des suggestions IA. Chaque événement est enregistré avec un horodatage de 13 chiffres et des valeurs correspondantes du système de coordonnées 3D (x, y, z). Par exemple, lors de l’ajustement de la courbure d’un modèle d’implant orthopédique, le plug-in enregistre les heures de début et de fin de l’opération, ajusté les coordonnées des sommets et les variations de courbure, formant ainsi un journal d’événements structuré (voir du Tableau 1 au Tableau 3 pour les champs de données). Ces données sont ensuite traitées à l’aide d’algorithmes sur mesure pour calculer des indicateurs géométriques, d’efficacité et cognitifs spécifiques à chaque domaine, permettant une caractérisation fine des comportements de modélisation dans les applications liées à la santé.

Mouvements oculaires et signaux gestuels

Les données sur les mouvements oculaires sont acquises à l’aide d’un suivi oculaire de bureau, en se concentrant sur les points de fixation et les paramètres de saccade dans l’interface de modélisation 3D, qui reflètent la distribution cognitive de l’attention de l’ingénieur.

Les signaux gestuels sont captés par une caméra de profondeur, qui extrait 22 coordonnées clés des articulations du membre supérieur pour identifier les gestes de modélisation^{typiques 25}. La caméra convertit les données de coordonnées gestuelles 3D en séquences vectorielles normalisées pour atténuer les différences de taille corporelle individuelle.

La synchronisation des données pour ce module repose sur le déclencheur matériel unifié du cadre (horodatage 10 Hz provenant d’un logiciel de modélisation 3D), avec une erreur de synchronisation contrôlée en ±50 ms ( calculée via l’équation 3-2) afin d’assurer une corrélation temporelle entre les comportements œil/geste et les opérations ^{de modélisation 26}. L’équation (2) présente le calcul de l’erreur de synchronisation des données :

(2)

Où : E_t = erreur de synchronisation entre le temps d’acquisition de l’appareil (t_dispositif) et l’horodatage logiciel (_{t logiciel}) ; _Dispositif T = Temps d’acquisition réel du suivi oculaire/caméra de profondeur ; _{T logiciel} = horodatage de déclenchement à partir d’un logiciel de modélisation 3D.

Données physiologiques et vocales

Les données physiologiques sont collectées via des capteurs portables : un capteur d’électromyographie (EMG) (fréquence d’échantillonnage de 1000 Hz) ²⁷, fixé à l’avant-bras de l’ingénieur pour enregistrer la tension musculaire lors d’opérations fines, reflétant la stabilité opérationnelle. Capteur d’électrocardiographie (ECG) (fréquence d’échantillonnage à 250 Hz) ^: Il est porté sur la poitrine pour collecter les indicateurs de variabilité de la fréquence cardiaque (VFC), qui caractérisent la charge cognitive. Les données vocales sont capturées par un microphone directionnel (fréquence d’échantillonnage de 44,1 kHz), ²⁹, les commentaires verbaux des ingénieurs du son lors de la modélisation pour compléter l’analyse de l’état cognitif. Toutes les données physiologiques et vocales sont prétraitées avant d’être stockées dans la base de données multimodale horodatée. La figure 3 illustre la configuration matérielle expérimentale physique. Les données des capteurs provenant des appareils EMG/ECG, du microphone, du suivi oculaire et d’une caméra de profondeur sont tous connectés à une station de travail de modélisation 3D. Avant que les données temporelles ne soient sauvegardées dans une base de données multimodale, un module de synchronisation ajuste tous les flux (dans une marge de ±50 ms). Cette spécification du matériau signifie une entrée fiable et temporellement alignée dans la chaîne d’extraction et de notation des caractéristiques.

Couche d’extraction de caractéristiques IA

Indicateurs de qualité géométriques

Ce module extrait des caractéristiques quantitatives reflétant la précision et la rationalité des modèles 3D à partir du flux d’événements d’interaction 3D et du résultat final du modèle, servant de base centrale pour évaluer les compétences de « précision de modélisation » des ingénieurs. Pour évaluer la précision structurelle, la congruence anatomique et la complétude 3D des modèles en utilisant des métriques de déviation, topologie et caractéristiques basées sur des modèles, trois indicateurs clés sont conçus, avec des méthodes de calcul et des significations physiques détaillées ci-dessous :

Taux de déviation du modèle (MDR)

Cela mesure la déviation géométrique entre le résultat modélisé par l’ingénieur et le modèle standard. La déviation est calculée en comparant la distance euclidienne des points clés entre les deux modèles. La formule est présentée dans l’équation (3) :

(3)

Où : n = nombre de points clés prédéfinis (fixés à 50-100 selon la complexité du modèle) ; P_i,ingénieur = coordonnées 3D du i-ième point de caractéristique dans le modèle de l’ingénieur ; P_i,standard = coordonnées 3D du i-ième point de caractéristique dans le modèle standard ; |⋅| = opérateur de distance euclidienne.

Un MDR plus bas indique une cohérence plus élevée avec le modèle standard, avec un seuil de ≤ 5 % pour les modèles de soins de santé qualifiés. Les compétences en modélisation ont été évaluées en fonction de l’efficacité temporelle, des mouvements redondants, de la stabilité des gestes et des modes d’utilisation des outils d’IA proposés lors de scénarios opérationnels 3D en temps réel.

Consistance topologique (TC)

Cela évalue si la structure topologique du modèle 3D répond aux exigences d’application médicale. L’indicateur est calculé en comptant le nombre de défauts topologiques (D) et le nombre total d’éléments topologiques (T, somme des sommets, des arêtes et des faces) dans le modèle, comme montré dans l’équation (4) :

(4)

Par exemple, si un modèle d’articulation du genou contient 2 arêtes non variétés (D = 2) et 1200 éléments topologiques totaux totaux (T = 1200), il est de 99,83 %. Un ≥ 98 % est nécessaire pour les modèles médicaux afin d’éviter les risques de fabrication.

Complétude des caractéristiques (FC)

Cela évalue si l’ingénieur a pleinement implémenté toutes les fonctionnalités obligatoires du modèle d’application santé. L’indicateur est déterminé en comparant le nombre de fonctionnalités obligatoires complétées (F_accomplies) avec le nombre total de fonctionnalités obligatoires (_{F total}) définies dans les exigences de la tâche :

(5)

Indicateurs d’efficacité comportementale

Ce module traite les flux d’événements d’interaction 3D et les signaux gestuels pour extraire des caractéristiques reflétant l’efficacité des opérations de modélisation des ingénieurs, évaluant leurs compétences en « maîtrise opérationnelle ». Les besoins cognitifs associés à la modélisation ont été mesurés à l’aide de signaux physiologiques, du regard et EMG synchronisés. Ces indicateurs suivent la répartition de l’attention selon le temps et les fluctuations de charge de travail au cours du processus de modélisation.

Modélisation de l’efficacité temporelle (MTE)

Cela compare le temps réel de modélisation de l’ingénieur (T_réel) avec le temps moyen des experts seniors pour la même tâche_{(expert T}), normalisé à un score de 0 à 100 :

(6)

Par exemple, si un ingénieur met 45 minutes à accomplir une tâche sur laquelle les experts travaillent en moyenne 30 minutes, il y a 100 - (45 - 30) x 50 = 75, indiquant une efficacité modérée.

Taux d’exploitation redondant (ROR)

Cela prend en compte la proportion d’opérations inutiles dans le processus de modélisation. Il est calculé comme le rapport entre le nombre d’opérations redondantes (O_redondant) et le nombre total d’opérations (_{O total}) :

(7)

Les opérations redondantes sont identifiées par l’algorithme d’IA via la correspondance des règles et l’analyse de cohérence des gestes.

Taux d’utilisation des outils d’IA (ATUR)

Cela mesure la capacité de l’ingénieur à exploiter les fonctions assistées par l’IA pour améliorer l’efficacité. Il est défini comme le ratio du nombre d’invocations d’outils IA (I_AI) au total des invocations d’outils (I_total) :

(8)

Une ATUR plus élevée indique une meilleure intégration des outils d’IA dans le processus de modélisation, ce qui est une compétence clé pour la modélisation médicale 3D moderne.

Lissure des gestes (GS)

Cela évalue la stabilité des mouvements des membres supérieurs de l’ingénieur lors de la modélisation. L’indicateur est calculé par l’écart-type de la vitesse de 22 articulations clés des membres supérieurs (v_j) au fil du temps :

(9)

Un écart-type plus faible (et donc un GS plus élevé) indique des gestes plus fluides, reflétant une meilleure maîtrise opérationnelle. Ces indicateurs sont extraits en temps réel pendant le processus de modélisation, l’algorithme d’IA mettant à jour les valeurs des indicateurs toutes les 5 minutes et les stockant dans la base de données des caractéristiques pour une fusion ultérieure.

Indicateurs de charge cognitive

Ce module analyse les signaux de mouvement oculaire et les données physiologiques afin de quantifier la charge cognitive de l’ingénieur lors de la modélisation, en évaluant ses compétences en « adaptabilité cognitive ». Les indicateurs multimodaux ont été pondérés à l’aide d’une approche Delphi-AHP et d’une mise à jour bayésienne des preuves pour produire des scores probabilistes de compétences en ingénierie en temps réel. Trois indicateurs clés sont développés :

Dispersion de fixation (FD)

Cela reflète la répartition de l’attention visuelle de l’ingénieur. Il est calculé comme la distance euclidienne entre les coordonnées maximale et minimale des points de fixation ( (x_max, y_max) et (x_{min,y min}) ) dans l’interface de modélisation 3D sur une fenêtre de 2 minutes :

(10)

Une FD plus importante indique une attention dispersée, souvent associée à une charge cognitive élevée.

Variabilité de la fréquence cardiaque (HRV) - SDNN

Le SDNN (écart-type des intervalles normaux-normaux) est extrait des données ECG pour mesurer la fluctuation de la fréquence cardiaque de l’ingénieur. Un SDNN plus faible indique une activité plus élevée du nerf sympathique, reflétant une charge cognitive accrue. L’algorithme d’IA filtre d’abord le bruit ECG (via la transformée en ondelette) puis calcule le SDNN à l’aide de l’équation (11) :

(11)

Où : N = nombre de battements de cœur normaux dans une fenêtre de 5 minutes ; RR_k = intervalle de temps entre le k-ième et le (k + 1)-ième battement cardiaque normal ; = intervalle RR moyen dans la fenêtre.

Électromyographie (EMG) - Racine quadratique moyenne (RMS)

Le RMS des signaux EMG de l’avant-bras reflète la tension musculaire : un RMS plus élevé indique une raideur musculaire accrue due au stress cognitif. La formule de calcul est la suivante :

(12)

Où : m = nombre d’échantillons de signaux EMG dans une fenêtre de 1 minute, et EMG(t) = amplitude du signal EMG au temps t. Un schéma sommaire a été créé pour faciliter la clarté conceptuelle et faciliter la reproduction de la recherche. Il illustre la relation hiérarchique entre les dix indicateurs d’évaluation et les trois principaux concepts sous-jacents au cadre proposé : la qualité géométrique, l’efficacité opérationnelle et l’adaptabilité cognitive. Ce diagramme illustre comment les signaux d’entrée multimodaux sont convertis en indicateurs mesurables qui sont ensuite fusionnés par une approche bayésienne pour créer un score composite de compétence en ingénierie. Cette vue d’ensemble transmet une version condensée de la logique d’évaluation et augmente la transparence méthodologique de cette étude, tant sur le plan formatif que pour l’orientation éducative et réglementaire future. La figure 4 illustre la structure hiérarchique du cadre d’évaluation des compétences en ingénierie suggéré, qui organise dix indicateurs multimodaux en trois constructions fondamentales : la qualité géométrique, l’efficacité opérationnelle et la flexibilité cognitive. Ces facteurs contribuent au résultat global de la compétence utilisée pour évaluer la performance de modélisation 3D assistée par IA.

Moteur de fusion et de notation des preuves

Répartition des poids par indicateur (Delphi + AHP)

Ce module aborde le problème de l’importance différenciée entre les caractéristiques multidimensionnelles en combinant la méthode Delphi (consensus d’experts) et le Processus de Hiérarchie Analytique (AHP) pour attribuer des poids aux dix indicateurs extraits (trois indicateurs de qualité géométrique, quatre indicateurs d’efficacité comportementale et trois indicateurs de charge cognitive), et pour représenter ces indicateurs multimodaux complexes sous des formats visuels et interprétables, tels que des cartes radar, des cartes thermiques et des lectures annotées pour des inférences diagnostiques biomédicales.

Phase de consensus Delphi

Un panel de dix experts a évalué l’importance de chaque indicateur à l’aide d’une échelle de 9 points (1 = « moins important », 9 = « plus important ») à travers trois séries de questionnaires anonymes. À chaque tour, un retour statistique — comprenant les scores moyens et les coefficients de variation (CV) — était fourni au panel pour faciliter l’ajustement des scores. La convergence était définie comme un CV ≤ 0,15 pour chaque indicateur. Notamment, un consensus pour des indicateurs tels que le taux de déviation du modèle (MDR) et le taux d’utilisation des outils d’IA (ATUR) a généralement été atteint au second tour, attribué à leur pertinence clinique directe.

Pour garantir la robustesse technique, le protocole a standardisé l’alignement multimodal des données (tolérance de synchronisation ≤ 50 ms ; fréquence de déclenchement unifiée à 30 Hz) et les méthodes de calcul des indicateurs. Par exemple, la MDR a été dérivée de 50 à 100 points clés anatomiques, tandis que le seuil de cohérence topologique (TC) a été fixé à >98 % pour les éléments sans défaut. Ces seuils étaient justifiés par rapport aux normes de tolérance clinique, telles qu’une déviation de < 5 % pour l’os poreux et une erreur de < 3° pour les angles de bifurcation vasculaire. De plus, la méthodologie incorporait le score bayésien avec la modélisation gaussienne de vraisemblance (utilisant des plages de σ calibrées pour des niveaux de compétence distincts) et utilisait un extracteur de caractéristiques CNN-LSTM entraîné avec une taille de lot de 32, un taux d’apprentissage de 1 x ^10-4, et 120 époques.

Établissement de la hiérarchie de l’AHP

Une hiérarchie à trois niveaux est construite : Couche cible (A) : évaluation complète des compétences en ingénierie ; Couche Critère (B) : 3 indicateurs de premier niveau (B1 : Qualité géométrique, B2 : Efficacité comportementale, B3 : Charge cognitive) ; Couche indicatrice (C) : 10 indicateurs de second niveau (C1 : MDR, C2 : TC, ..., C10 : EMG RMS).

Comparaison par paires et vérification de la cohérence

Sur la base des résultats du consensus Delphi, une matrice de comparaison par paires est construite pour la couche Critère et la couche Indicateur. Prenant la couche Critère comme exemple, la matrice est définie comme suit :

(13)

Où : a_ij est le rapport d’importance de B_j à B_j. Le vecteur poids de la couche critère (W_B = [w_{B1,w B2,w B3}]) est calculé via la méthode du vecteur propre. Pour éviter les contradictions logiques, le rapport de cohérence (CR) est vérifié à l’aide de l’équation (14) :

(14)

Où : (λ_max = valeur propre maximale de la matrice, = nombre d’indicateurs), et est l’indice de cohérence aléatoire (pour n = 3, RI = 0,58). Le résultat est acceptable si le CR < 0,1.

Grâce à ce processus, des poids typiques sont obtenus : (Qualité géométrique), (Efficacité comportementale), (Charge cognitive) ; le poids du MDR (C1) dans la couche indicatrice est généralement le plus élevé (~0,25), tandis que le RMS EMG (C10) est le plus faible (~0,05).

Mise à jour de la confiance bayésienne

Ce module fusionne les indicateurs pondérés pour générer le score final de confiance en compétences, abordant « l’incertitude de l’évaluation à une seule fonctionnalité » en mettant à jour les probabilités antérieures avec des données multimodales en temps réel. Le processus est basé sur l’équation (1) (formule bayésienne) et est mis en œuvre en deux étapes :

Étape 1 : Initialisation de probabilité a priori (P(θ))

Le niveau de compétence est divisé en 5 niveaux : (Novice), (Débutant), (Intermédiaire), (Avancé), (Expert). La probabilité a priori est initialisée à partir de données historiques : si le système a évalué 500 ingénieurs, et que 100 sont classés comme θ₃, alors P(θ₃) = 100/500 = 0,2. Pour les nouveaux utilisateurs sans données historiques, un prior uniforme (P(θ_i) = 0,2 pour tout i) est adopté.

Étape 2 : Calcul de probabilité a posteriori (P(θ∥D))

Les données de caractéristiques multimodales sont la somme pondérée des 10 indicateurs normalisés :

(15)

Où : w_Ck est le poids de l’indicateur k-ième (de la section 3.4.1), et la_norme Ck est la valeur normalisée de l’indicateur k-ième (plage [0,1]).

La probabilité de vraisemblance est modélisée à l’aide d’une distribution gaussienne, en supposant que les données de caractéristiques des ingénieurs au niveau de compétence suivent (moyenne μ_i, variance ). Ces paramètres sont calibrés à l’aide de 200 échantillons marqués.

Enfin, la probabilité a posteriori est calculée via l’équation (3-1), et le niveau de compétence correspondant au maximum est le résultat de l’évaluation en temps réel. Par exemple, si un ingénieur a D = 0,72, et (plus élevé que les autres grades), il est classé comme « Avancé ».

Pour visualiser le processus de mise à jour de confiance, la figure 5 montre comment les probabilités de compétence égales connues sont mises à jour en une distribution a posteriori en utilisant l’inférence bayésienne et les signaux en temps réel comme preuves. Après observation de la tâche, le modèle se met à jour pour renforcer les preuves vers le grade de compétence avec la plus grande probabilité a posteriori. Les tests de validation ont indiqué une forte stabilité de convergence des notes de compétence des experts, et les scores bayésiens étaient fortement corrélés aux évaluations des experts, soutenant l’utilisation fiable de la mise à jour bayésienne dans le flux de travail.

La sortie de cette couche est un score de compétence complet (0 à 100, cartographié à partir de la probabilité postérieure maximale) et un intervalle de confiance, qui est transmis à la couche de rétroaction visuelle pour une présentation intuitive.

Couche de rétroaction visuelle

Carte radar en temps réel

Ce module convertit les 10 indicateurs normalisés et les 3 scores de critères à trois niveaux en un tableau radar, permettant une comparaison intuitive des forces et faiblesses des ingénieurs. La carte radar est conçue avec 7 axes (3 pour les critères de premier niveau : B1-B3 ; 4 pour les indicateurs principaux de deuxième niveau : C1=MDR, C4=ATUR, C7=FD, C9=SDNN – sélectionnés pour leur poids élevé et leur interprétabilité), chaque plage d’axe étant normalisée à [0,100] (cartographiée à partir des valeurs normalisées [0,1 ] via les équations 3-7). Pour améliorer continuellement la précision des mesures grâce à des annotations d’experts et des mises à jour d’apprentissage actif dès le début du cadre, un contexte de modélisation de la santé et une compréhension croissante sont intégrés.

Équation (16) Cartographie des valeurs de l’indicateur pour le graphique radar :

(16)

Où :_{V radar} = valeur affichée sur l’axe de la carte radar ; _Norme de Ck = valeur normalisée de l’indicateur k-ième (plage [0,1]).

Le tableau radar se met à jour en temps réel (toutes les 5 minutes) et comprend deux références : une ligne de référence standard (ligne pointillée,_{V radar} = 80, représentant le seuil de compétence « Avancé ») et une ligne moyenne experte (ligne pointillée, calculée à partir des données historiques de 50 ingénieurs seniors). La figure 6 montre le comportement de l’ingénieur à travers un ensemble d’indicateurs clés : qualité géométrique, charge cognitive, efficacité d’utilisation des outils et dispersion des fixations, comparé aux benchmarks d’experts correspondants. Dans le cadre de la couche de rétroaction, les vrais scores, utilisant des métriques fusionnées, étaient traduits en un profil interprétable. Des études utilisateurs ont indiqué sa mise en œuvre réussie pour détecter rapidement les lacunes de compétences, tout en favorisant un calcul structuré et basé sur les données pour l’amélioration lors des tâches de modélisation.

Carte thermique temporelle

Ce module visualise la tendance dynamique de changement des indicateurs de compétences sur l’ensemble du processus de modélisation, aidant à identifier les périodes où les ingénieurs rencontrent des difficultés. La carte thermique utilise une grille 2D : l’axe des x représente des intervalles de temps (segments de 10 minutes, totalisant 12 segments pour une tâche de 2 heures), et l’axe des y représente 5 indicateurs clés (C1=MDR, C4=ATUR, C6=GS, C7=FD, C9=SDNN). L’intensité de couleur de chaque cellule correspond à la valeur normalisée de l’indicateur, avec une échelle de couleurs allant du bleu (faible valeur, mauvaise performance :_norme Ck < 0,5) au rouge (valeur élevée, bonnes performances :_norme Ck < 0,8), telle que définie dans l’équation (17) :

L’équation (3-8) présente le calcul de l’intensité des couleurs pour la carte thermique :

(17)

Où : I_couleur = valeur d’intensité de couleur RVB (0-255, 0=bleu, 255=rouge) ; min(_norme Ck) et max(_norme Ck) = valeurs normalisées minimales et maximales de l’indicateur sur tous les intervalles de temps.

La figure 7 illustre les changements résolus dans le temps de la charge cognitive, la dispersion des fixations, la stabilité du regard et les métriques de latence décisionnelle en segments de 10 minutes. Notez que les régions mises en évidence indiquent une forte demande cognitive ou des perturbations du flux de travail. Cette vision temporelle est générée directement à partir de flux multimodaux coalescents, soutenue par des annotations d’experts, mettant en lumière son rôle crucial dans l’interaction avec la fatigue de modélisation, les déplacements attentionnels et les difficultés spécifiques à chaque tâche.

Annotation de lecture en D

Ce module superpose des annotations d’évaluation des compétences sur la lecture des opérations du modèle 3D, permettant une analyse étape par étape du comportement de modélisation de l’ingénieur. La vitesse de lecture est réglable (0,5×-2× temps réel) et se synchronise avec l’horodatage multimodal. Trois types d’annotations sont intégrés : Annotations d’erreur géométrique : Les fils rouges mettent en évidence les régions du modèle où le MDR (C1) dépasse 5 % (seuil de qualification), avec des étiquettes de texte indiquant la valeur de la déviation. Annotations d’avertissement d’efficacité : Des signes d’exclamation jaunes apparaissent à l’emplacement des opérations redondantes, avec des fenêtres contextuelles indiquant le type d’opération. Annotations de charge cognitive : Les barres d’état verte/rouges dans le coin indiquent la charge cognitive en temps réel (basée sur C9 : SDNN et C10 : EMG RMS), le rouge signifiant « Charge élevée » (SDNN < 50 ms) et le vert signifiant « Charge normale » (SDNN > 100 ms).

Calibration et itération du cadre

Interface d’annotation experte

Ce module offre une interface humaine dans la boucle permettant aux experts seniors de corriger et d’étiqueter les résultats d’évaluation du cadre, en répondant à la « dérive de la précision de l’évaluation » causée par les changements dans les scénarios d’application de la santé. L’interface est conçue avec trois fonctions principales : correction des résultats, repondération des indicateurs et stockage des annotations.

Fonction de correction des résultats

Les experts examinent d’abord les résultats du retour visuel et le score global de compétence du cadre (0-100). Si la note dévie du jugement de l’expert, l’expert peut l’ajuster manuellement et enregistrer la raison. La magnitude de la correction est quantifiée via l’équation (18) :

(18)

Où : S_corrigé = score final corrigé ; _Cadre S = score initial produit par le cadre ; _{S expert} = score manuel de l’expert ; α = pondération de correction (fixée à 0,8 par défaut, garantissant la domination du jugement expert tout en conservant la rationalité du cadre).

Fonction de repondération des indicateurs

Pour une calibration spécifique au scénario, les experts peuvent ajuster le poids des indicateurs individuels via une barre glissante (plage 0-0,5). L’interface recalcule automatiquement le rapport de cohérence (CR) après ajustement (en utilisant les équations 3-6) et alerte les experts en cas de (distribution de poids illogique), garantissant que les poids ajustés restent mathématiquement valides.

Fonction de stockage d’annotation

Tous les scores corrigés, les pondérations ajustées et les commentaires d’experts sont stockés dans une base de données annotée avec des horodatages et des balises de scénario. Cette base de données sert de données d’entraînement pour le module d’apprentissage actif en ligne suivant, avec un schéma de données typique présenté dans le tableau 2.

Mise à jour de l’apprentissage actif en ligne

Ce module utilise les données annotées pour optimiser de manière itérative les algorithmes de base du cadre (modèles d’extraction de caractéristiques IA en L2 et moteur de notation bayésien en L3), permettant au cadre de s’adapter à de nouveaux scénarios d’applications en santé sans réentraînement complet. Le processus de mise à jour suit une stratégie de requête par comité (QBC), divisée en trois étapes :

Étape 1 : Calcul de l’incertitude

Trois « modèles de comité » parallèles sont déployés (tous basés sur la même architecture que le modèle d’extraction de caractéristiques L2 mais entraînés sur différents ensembles de données historiques) :

Modèle A : entraîné sur des données de modélisation d’implants orthopédiques ;

Modèle B : entraîné sur des données de reconstruction d’organes ;

Modèle C : Entraîné sur des données de modélisation d’implants dentaires.

Pour chaque échantillon non identifié (données de modélisation de l’ingénieur), les modèles du comité produisent trois scores de compétences prédits. L’incertitude de l’échantillon est calculée via le coefficient de variation (CV) des trois scores :

(19)

Où : S_{A,SB,S C} = scores prédits par les trois modèles de comité ; STD (⋅)= écart-type ; = moyenne des trois scores.

Un CV plus élevé indique un plus grand désaccord entre les modèles de comité (plus grande incertitude), ce qui signifie que l’échantillon est plus précieux pour l’annotation.

Étape 2 : Sélection de l’échantillon

Le framework sélectionne les 10 % des échantillons ayant le CV le plus élevé et les envoie à l’interface d’annotation experte pour étiquetage. Cette stratégie de sélection active réduit le nombre d’échantillons nécessitant une annotation experte (par rapport à la sélection aléatoire) de 40 à 60 %, améliorant l’efficacité de l’étalonnage.

Étape 3 : Réentraînement et mise à jour du modèle

Les nouveaux échantillons annotés sont utilisés pour affiner les algorithmes du cadre :

Pour les modèles d’extraction de caractéristiques L2 : Le modèle est réentraîné avec un taux d’apprentissage de 1e-5 (10 % du taux d’entraînement initial) en utilisant les données d’erreur géométrique annotées, en ne mettant à jour que les deux dernières couches pour éviter le surapprentissage.

Pour le moteur de notation bayésienne L3 : Les paramètres de distribution gaussienne () pour chaque niveau de compétence sont mis à jour à l’aide des données de score annotées, la formule de mise à jour étant présentée dans l’équation (20) :

(20)

Où : = moyenne mise à jour du niveau de compétence θ_i ; = moyenne originale avant mise à jour ; _S-θi = score moyen corrigé des échantillons annotés identifiés comme θ_i ; β = facteur d’oubli (réglé à 0,7, équilibrant les données historiques et les nouvelles annotations).

Le framework mis à jour est déployé en ligne immédiatement après la rééducation, avec un contrôle de performance avant le déploiement : si l’erreur absolue moyenne entre la nouvelle sortie du framework et les annotations d’experts est ≤3 (réduite de ≥20 % par rapport à la version précédente), la mise à jour est confirmée ; sinon, le processus de réentraînement est répété avec des échantillons annotés supplémentaires.

Ce mécanisme d’étalonnage itératif garantit que la précision de l’évaluation du cadre reste supérieure à 90 %, même lorsque les technologies de modélisation 3D des applications de santé évoluent, tout en maintenant une adaptabilité à long terme.

Résultats

Les résultats évaluent la validité, la fiabilité et l’utilisabilité du cadre à travers une évaluation expérimentale de la discrimination des compétences, de la validité des constructs, de la validité prédictive et de l’efficacité du retour en temps réel.

Conception expérimentale

Les expériences ont été réalisées dans un environnement Python sur un ordinateur équipé d’un processeur Intel 12 cœurs, de 32 Go de RAM et ...

Discussion

Bien que les cadres existants de modélisation et d’interaction 3D soient peu nombreux et puissent parfois fournir des informations utiles, ils évaluent la capacité d’ingénierie dans les tâches de modélisation 3D. La plupart des études antérieures sur le suivi gestuel et l’interface¹⁹ évaluent le comportement interactif plutôt que l’évaluation de la capacité de l’utilisateur. De même, dans le cas des systèmes éducatifs basés sur la VR/^{haptique 20<...}

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Logiciels de modélisation 3D assistés par IA	Materialise NV, Belgique	Imite l’IA v25.0	Utilisé pour la modélisation d’implants fémoraux et de reconstruction vasculaire hépatique avec segmentation par IA et détection de défauts.
Eye Tracker (bureau)	Tobii Pro Fusion	TPF-120	Capture des données de fixation et de saccade à 120 Hz pour quantifier l’attention visuelle lors de la modélisation.