Yapay Zeka Destekli 3D Modelleme Temelli Sağlık Uygulamalarında Mühendislik Becerilerinin Görsel Değerlendirmesi üzerine Araştırmalar

Özet

Bu araştırma, tıbbi 3D modellemede mühendislik becerilerini objektif olarak ölçmek için geometrik, davranışsal ve bilişsel belirteçleri içeren çok modlu, yapay zeka destekli bir metodoloji sunmaktadır. Bayes füzyonu ile gerçek zamanlı görsel analiz, çok çeşitli görevler ve katılımcı beceri seviyeleri boyunca doğrulanmış doğru beceri derecelendirmesini sağlar.

Özet

Yapay zeka (YZ) destekli 3B modelleme, modern sağlık hizmetlerinin merkezi haline gelmiş olsa da, alan klinik olarak kullanılan dijital modeller için mühendislik yetkinliğini değerlendirmek için tekrarlanabilir ve ölçeklenebilir bir yöntemden yoksun. Mevcut kalite kontrolleri, modelleme iş akışını, operatörün davranışını ve yapay zeka yardımıyla etkileşimleri dikkate almadan nihai mesh çıktılarına odaklanır. Bu boşluk, tekrarlanabilirliği, etkili eğitimi ve düzenleyici uyumu sınırlar. Bu çalışma, sağlık odaklı 3B modelleme görevlerinde mühendislik becerisini ölçmek ve iletmek için tasarlanmış ilk uçtan uca görsel analiz çerçevesini önermektedir. Önerilen çerçeve, geometrik doğruluktan operasyonel yeterliliğe ve bilişsel uyum yeteneğine kadar uzanan alana özgü bir beceri yapısı tanımlar ve bu boyutları yorumlanabilir davranışsal, geometrik ve fizyolojik göstergeler setiyle niceliklendirir. Dört katmanlı bir mimari içinde, çoklu modal verilerin yakalanmasını, hafif derin öğrenme modelleri aracılığıyla gerçek zamanlı özellik çıkarımını, sürekli yeterlilik tahmini için Bayes kanıt birleştirmesini ve sezgisel görsel geri bildirim modüllerini entegre eder. Sistem, uzman notasyon gereksinimlerini en aza indiren çevrimiçi bir aktif öğrenme mekanizması aracılığıyla yeni araçlar ve modelleme senaryoları için kalibrasyon sağlar. Çerçeve, ortopedik implant tasarımı ve damar rekonstrüksiyonu ile ilgili iki klinik olarak gerçekçi modelleme görevi yapan 60 katılımcıyla test edildi. Sonuçlar, uzman değerlendirmeleriyle güçlü bir uyum, beceri seviyeleri arasında net ayrım ve gelecekteki modelleme kalitesinin anlamlı tahmini olduğunu gösterdi. Python, sırasıyla korelasyon, regresyon, geçerlilik testi ve görselleştirme görevleri için kullanıldı. Kullanılabilirlik testi yüksek kabulü gösterdi; Katılımcılar, kendi kendine yönlendirilmiş gelişimi destekleyen görsel geri bildirimin netliğini yüksek değer verdiler. Sonuç olarak, önerilen bu çerçeve, 3-B modelleme değerlendirmesini statik bir sonuç in-section'tan, çoklu modal kanıtlarla desteklenen dinamik, süreç merkezli bir incelemeye dönüştürür. Sonuç, sağlık açısından kritik 3B modelleme iş akışlarının eğitimi, sertifikasyoneri ve düzenleyici denetimi için pragmatik, yorumlanabilir ve ölçeklenebilir bir çözüm olup, tıbbi tasarımda gelecekteki insan-yapay zeka iş birliği ve yeterlilik analitiği için temel oluşturuyor.

Giriş

Sağlık hizmetlerinde yapay zeka destekli 3B modellemenin hızlı pazar benimsenmesi, implantlar, rehberler ve anatomik rekonstrüksiyonların nasıl oluşturulduğunu değiştiriyor, ancak alan hâlâ bu modellerin arkasındaki mühendislik becerisini değerlendirmek için güvenilir bir yönteme sahip değil. Günümüzde baskın uygulama, geometrik hataları ortaya çıkarmak için faydalı olsa da, modelleme iş akışını, kullanıcı-yapay zeka etkileşimini veya oluşturulmasında an an karar alma süreçlerini takdir etmeyen, büyük ölçüde son ürün denetimlerine dayanır. Sonuç olarak, klinik ekipler genellikle bir modelin yetkin ve tekrarlanabilir süreçlerle mi yoksa şanslı deneme yanılma yoluyla mı üretildiğini^{belirleyemez.} Bu fark giderek daha önemli bir durum haline gelmektedir. Hastaneler, düzenleyiciler ve 3D baskı programları artık sadece doğru bir son ağın değil, tüm iş akışının tutarlı kalitesine dair kanıt talep ediyor; çünkü modelleme hataları cerrahi güvenliği, cihaz uyumu ve üretim izlenebilirliğini etkileyebilir. Modelleme becerisini davranışsal, bilişsel ve prosedürel yönleri içeren entegre, sistematik ve ölçeklenebilir bir şekilde modelleme becerisini yakalamak (veya hesaplamak) için mevcut bir yöntem yoktur. Bu, mevcut makale^{için temel motivasyondur 2}, ancak anatomi odaklı, yapay zeka destekli modelleme için "iş akışı yetkinliği"nin operasyonel tanımı^{sunulmamıştır 3}. Düzenleyici beklenti ile günlük uygulama arasındaki bu boşluk, mevcut çalışmanın ilk motivasyonudur. İkinci bir motivasyon ise pedagojiktir. Sağlık teknolojisi girişimleri ve üniversite hastaneleri, yeni gelenleri 6-18 ay boyunca kıdemli modelcilerle eşleştirerek eğitir. Yaklaşım etkilidir ancak ölçeklenmmektedir: 2020 ile 2024 arasında yapay zeka özellikli tıbbi CAD koltuklarının küresel kurulum tabanı %340 büyürken, nitelikli mentor havuzu sabit^kaldı. Gerçek zamanlı olarak izleyebilecek, teşhis edebilen ve koçluk yapabilen bir görsel analiz sistemi, eğitim verimliliğini mentor bulunabilirliğinden ayıracak ve radyograflar veya hemşireler gibi geleneksel olmayan katılımcılar için öğrenme eğrisini kısaltacaktır; bunlar giderek ön segmentasyon yapmaktadır.

Üçüncüsü, bilişsel-bilim argümanı vardır. Tıbbi modelleme, mekânsal akıl yürütme, anatomik bilgi ve yazılım becerisini harmanlayan yüksek riskli görsel problem çözme varyantıdır. Bu kaynakların nasıl organize edildiğini, ne zaman bozulduklarını ve ne zaman yapay zekaya dış kaynak verildiğini anlamak, göz, el ve fizyolojik sinyallerin anlık olarak kaydedilmesini gerektirir. İnsan uzmanlığını açıklayan aynı veri akışı, bunu değerlendirmek için de kullanılabilir ve araştırma ile uygulama arasında erdemli bir döngü oluşturur. (i) cerrahide prosedürel beceri değerlendirmesi ve (ii) CAD^{mesh'ler için} geometrik kalite metrikleri 5 üzerine zengin literatürlere rağmen, sağlık odaklı, yapay zeka destekli 3B modellemede mühendislik becerisinin iki görsel değerlendirmesinin kesişimi hâlâ yeterince araştırılmamıştır. Özellikle, mevcut değerlendirme rubrikleri alana özgü bir beceri yapısına sahip değildir ve bu nedenle damar bifurkasyon açıları gibi anatomik kritik özellikleri, cıvata delikleri gibi genel mekanik özelliklerle aynı şekilde ele alır. Trabeküler dolgu gözenekliliği veya osteotomi eğriliği sınırları gibi anatomi kaynaklı kısıtlamalar puanlama fonksiyonlarında yoktur. Parçalı algılama konusunda, CAD, cerrahi simülasyon veya VR oyunlarında süreç yakalama çalışmaları nadiren kinematik, bakış, fizyoloji ve sesi saniye altı^{çözünürlükte senkronize eder 6}. Sonuç olarak, modlar arası doğrulama imkansızdır ve her kanalın artan değeri bilinmemektedir⁷. Statik puanlama konusunda, mevcut araçlar genellikle oturumdan sonra ikili geçiş/başarısızlık etiketi üretir. Yeni kanıtlar geldikçe bir öğrencinin yetkinliğiyle ilgili belirsizliği ifade etmek veya inançları güncellemek için ilkeli bir yöntem yoktur – Bayes sertifikasyon^{protokolleri için kritik bir gerekliliktir. 8}. Son olarak, geri bildirim sürekliliği konusunda, zengin veriler toplandığında bile genellikle sonradan inceleme için saklanır veya ham eğriler olarak gösterilir. Düşük seviyeli sinyalleri gerçek zamanlı uygulanabilir tavsiyeye eşleyen teoriye uygun ve role özgü bir görsel katman şu anda^{mevcut değildir 9,10}. Bu dört eksiklik pratik acıya dönüşür: 3D baskılı anatomik rehberlerin %30'u hâlâ manuel yeniden çalışma gerektiriyor ve FDA, orijinal mühendisin tolerans^{notasyonu 11'i} yanlış anlaması nedeniyle her çeyrekte hastaya özel 2-3 implant partisini geri çağırıyor. Bu nedenle, çoklu modal algılamadan yorumlanabilir geri bildirime geçişi kapatan uçtan uca bir çerçeve gereklidir.

Tıbbi 3-B modelleme, endüstriyel CAD'den doğrudan beceri değerlendirmesini etkileyen üç açıdan farklıdır: anatomik geometri parametrik değildir, hata toleransı neredeyse sıfırdır ve düzenleyici izlenebilirlik^{zorunludur 12}. Baskın değerlendirme paradigması hâlâ nihai çokgen ağı veya STL dosyasının özet uzman incelemesidir. Tipik rubrikler, altın standart şablondan geometrik sapmayı, topolojik çokluğu ve doktor tarafından belirlenen işaretlerin varlığını inceler. Denetim manuel olduğu için, inter-rater Cohen'in κ değeri nadiren 0.65^13'ü aşır. Mimics Innovation Suite ve 3D Slicer gibi ticari platformlar mesh kalitesi için geçiş/başarısızlık bayrakları sağlar, ancak bayraklar deterministiktir (üçgen en-boy oranı, kesişen yüzler) ve gerçek modelleme^{yörüngesi 14'ü} görmezden gelir. Yapay zeka odaklı 3D görselleştirme anatomik anlayışı artırır, ancak etkili kullanım büyük ölçüde operatörün modelleme becerisine bağlıdır. VDR doğru hacimsel görüntüler sağlarken, kullanıcıların bu modelleri nasıl yorumladığını, nasıl incelediğini veya manipüle ettiğini değerlendiren yapılandırılmış bir yöntem yoktur. Bu çalışma, yapay zeka destekli 3D modellemede yeterliliği değerlendirerek bu boşluğu^{ele almaktadır 15}. Yazarlar, kaydırma ve araç çağrı olaylarını 30 Hz'de 3-B imleç koordinatlarıyla birlikte kaydederler. Mekanik CAD'de "verimsiz araç yolları"nı tespit etmek için uzun kısa vadeli bellek (LSTM) otomatik kodlayıcı kullanırlar ve insan etiketlerine karşı F1 puanı 0.81 elde ederler. Analizi görsel dikkat için genişleten TAP-3D veri^{seti 16} , Solid Works egzersizleri yapan 120 mühendisin bakış verilerini içerir. Fiksasyon-sakkad dizileri, 128-D word2vec vektörleri olarak kodlanır; Kümeleme, modelleme süresiyle anlamlı korelasyona sahip beş farklı görsel stratejiyi ortaya çıkarır (r = 0.73). Kullanıcı etkileşim metriklerinin ötesinde, Mandal, A. ve Ghosh, A. ^R.17 , karmaşık doku mühendisliği iskelelerinin mekanik özelliklerini, CAD modellerinden türetilen 3D dijital topografilere eğitilmiş 3D CNN'ler kullanarak^{tahmin ederler 17}. Bu yaklaşım, iskele davranışını doğru şekilde tahmin eder ve gözenekli ve metamateryal yapılar için daha hızlı bir yapay zeka destekli tasarım yolu sunar. Ancak, bu tahminin tekrarlanabilirlik oranı, veri setinin çeşitliliğinden etkilenir; özellikle çok düzensiz geometriler veya üretim kusurları için.

Schönfeldt, N., Hancock, P. ve Birt, J. tarafından son dönemde yapılan çalışmalar.¹⁸ veri yakalamayı sesli ve sesli düşünme protokollerini de kapsayacak şekilde genişletmiştir; özellikle sözlü yorumları 200-D BERT gömülmelerine aktararak yazılım görevlerindeki hata ayıklama başarısıyla ilişkilendirmiştir¹⁸. Tıbbi modelciler programcılara göre daha az konuşsa da, laboratuvarımızdaki pilot kayıtlar "bu sırt gürültülü görünüyor" gibi ifadelerin sonraki geri alma olaylarının %40'ıyla örtüştüğünü ve bunun öngörücü değeri olduğunu gösteriyor. Bu çalışmalar, prosedürel verilerin göze çarpmadan yakalanabileceğini ve makine öğrenimi modellerinin veriyi performans yapılarına eşleyebildiğini göstermektedir. Ancak hiçbiri, anatomi değişkenliği ve yapay zeka yardımı ekstra karmaşıklık katmanları ekleyen sağlık-spesifik 3B modellemeyi hedeflemiyor. Görsel analitik, cerrahi simülasyon ve robotik eğitimde biçimlendirici geri bildirim için yaygın olarak benimsenmiştir. MiEye sistemi¹⁹ kayıtlı laparoskopik video üzerinde renk kodlu hata ısı haritalarını üstlendirir; Stajyerler, ikili geri bildirime göre %26 daha hızlı gelişir. CAD eğitimi için Chou, Y. H. ve diğerleri.²⁰ öğrenci endekslerini (özellik sayısı, yeniden inşa süresi, yeniden inşa hataları) sınıf yüzdelikleriyle karşılaştıran bir radar tablosu önermek; Grafike erişimi olan öğrenciler, sınav sonrası puanlarında 0,35 standart sapma artışı göstermektedir. Gerçek zamanlı görselleştirme hâlâ yeterince keşfedilmemiştir. Kim, I.-J. ve Quteineh, H. H.²¹ canlı kinematik verileri VR'da saydam şeritler olarak render ederler, ancak metrikleri tamamen konumsal hatadır; Bilişsel yük ele alınmaz. Bildiklerimize göre, mevcut hiçbir çerçeve geometrik, davranışsal ve fizyolojik akışları tek bir yorumlanabilir, gerçek zamanlı görsel geri bildirim katmanında birleştirmemektedir, yapay zeka destekli tıbbi 3B modelleme için uyarlanmıştır. İnceleme, bu araştırmanın ele almayı amaçladığı dört spesifik eksikliği ortaya koymaktadır: Sağlığa özgü beceri yapısı eksikliği: Mevcut rubrikler tıbbi modellemeyi genel CAD olarak ele alır; Gözenekli kemik dolgusu veya damar bifurkasyon açıları gibi anatomi kaynaklı kısıtlamaları görmezden gelirler. Parçalı algılama: Çalışmalar genellikle tek bir modaliteyi (kinematik, bakış veya fizyoloji) kullanır. Saniye altı seviyede çok modlu senkronizasyon nadiren denenir ve çapraz modal doğrulama yoktur. Bayes güncellemesi veya çevrimiçi güven takibi modelleme becerisine uygulanmamıştır; Bu nedenle, değerlendiriciler belirsizliklerini ifade edemez veya görev ilerledikçe yeni kanıtlar ekleyemez. Geri bildirim kesintisi: Zengin veriler toplandığında bile, ya sonradan inceleme için saklanır ya da ham eğriler olarak gösterilir. Düşük seviyeli sinyalleri gerçek zamanlı eyleme uygun, teori uyumlu geri bildirime eşleyen prensipsel görsel katman yoktur. Bu boşluklar, (i) sağlık uygulama gereksinimlerine dayanan çok boyutlu bir beceri yapısı tanımlayan, (ii) kalibre edilmiş Bayes çıkarımı yoluyla heterojen prosedürel verileri birleştiren ve (iii) gelişen inanç durumunu oluşturan uçtan uca bir çerçevenin geliştirilmesini haklı çıkarmaktadır via etkileşimli, role özgü görselleştirmeler. Pratikte önerilen çerçeve, hastanelere kaliteyi modellemek için gerçek zamanlı bir izleme aracı sağlıyor, uzun uzman inceleme döngülerine bağımlılığı azaltıyor ve hastaya özgü cihazların daha güvenli klinik kullanımını sağlıyor. Eğitim merkezleri, bu çerçeveyi kullanarak öğrenici gelişimini kolaylaştıran ve kohortlar arasında standartlaştırılmış yeterlilik ölçütlerinin oluşturulmasını destekleyen yapılandırılmış ve veri odaklı geri bildirim sağlayabilir. Düzenleyiciler için önerilen çerçeve, tıbbi 3B baskı süreçlerinin sürekli doğrulaması için ortaya çıkan gereksinimlerle uyumlu olarak, iş akışı yetkinliğini belgelemek için denetlenebilir ve şeffaf bir mekanizma sunmaktadır. Bu motivasyonlar üzerine inşa edilen bu çalışma, yapay zeka destekli, sağlık odaklı 3D modellemede mühendislik becerilerini niceleyen bir görsel analiz çerçevesi tasarlar ve doğrular. Özellikle, çerçeve gözenekli kemik dolgusu, damar açıları ve diğer anatomiyle ilgili toleranslara dayanan çok boyutlu bir beceri yapısı tanımlamayı amaçlamaktadır; bakış, el hareketi, fizyolojik sinyaller ve yapay zeka etkileşim verilerini saniye altı çözünürlükte senkronize etmek; bu heterojen veri akışlarını Bayes güncellemesi yoluyla birleştirerek açıkça güvenle gelişen bir yetkinlik inancı oluşturmak; bu inancı gerçek zamanlı radar haritaları, ısı haritaları ve 3B notasyonlarla anında koçluk veya sertifikasyon amacıyla aktarmak; ve en az %90 olarak değerlendirme doğruluğunu korumak. via yeni yazıcılara, yapay zeka modellerine veya klinik kurallara tam yeniden eğitim gerektirmeden uyum sağlayan aktif öğrenme kalibrasyonu.

Bu çalışma iki temel soruyu ele alıyor: çoklu modal veri birleşiminin beceri değerlendirmesinin uzman değerlendirmesine göre doğruluğunu artırıp artırmadığı ve Bayes düzeyinde güncellemenin, tam model yeniden eğitimi gerektirmeden değerlendirme doğruluğunu korumayı mümkün kılıp sağlamadığını belirtiyor.

Protokol

Bu çalışma insan katılımcıları içermekte olup, Şanghay Uluslararası Çalışmalar Üniversitesi Xianda Ekonomi ve Beşeri Bilimler Fakültesi İnsan Araştırmaları Koruma Etik Komitesi tarafından incelenip onaylandı (Onay No. 2025XD1221). Tüm katılımcılar bilgilendirilmiş onay formlarını imzaladı ve 30 dakikalık bir deney öncesi eğitim tamamladı: EG katılımcılar çerçevenin görsel geri bildirimini (radar grafikleri, ısı haritaları) yorumlamayı öğrenirken, CG katılımcıları yalnızca platform operasyonu eğitimi aldı. Veri toplamada hassasiyet sağlamak için, ön deney ayrıca göz izleyicileri ve fizyolojik sensörlerin 5 dakikalık kalibrasyonunu da içeriyordu.

Çalışma hedefleri ve protokol genel görünümü

Bu çalışmanın amacı, çok modlu alım, özellik çıkarma, Bayes füzyonu ve görsel geri bildirimi entegre ederek mühendislik becerilerini yorumlanabilir şekilde değerlendiren kapalı döngülü, uçtan uca bir sistem yaratmaktı. Şekil 1, yapay zeka destekli 3D modelleme temelinde sağlık uygulamalarında mühendislik becerilerinin değerlendirilmesi için protokol diyagramını gösterir.

Çerçeve genel bakış ve hiyerarşik mantık

Bu çalışmada önerilen yapay zeka destekli 3D modelleme sağlık uygulamalarında mühendislik becerileri için görsel değerlendirme çerçevesi, "veri odaklı - özellik çıkarma - kanıt birleştirme - görsel geri bildirim" kapalı döngü mantığına dayanmaktadır. Temel amacı, çoklu modal ham veriden yorumlanabilir beceri değerlendirme sonuçlarına uçtan uca dönüşümü^{sağlamaktır 22}. Mühendislik becerilerinin değerlendirilmesi için çoklu modal özelliklerin güvenilir şekilde çıkarılmasını sağlamak amacıyla, çerçeve aynı anda etkileşim, fizyolojik, bakış, jest ve ses sinyallerini milisaniye düzeyinde zamansal senkronizasyon ile yakalar. Çerçeve, dört temel katmandan oluşan hiyerarşik bir mimari tasarımını benimser: Çok modlu Veri Toplama Katmanı (L1), Yapay Zeka Özellik Çıkarma Katmanı (L2), Kanıt Füzyon ve Puanlama Motoru (L3) ve Görsel Geri Besleme Katmanı (L4). Her katman, standartlaştırılmış veri arayüzleri aracılığıyla çift yönlü etkileşimi gerçekleştirir ve değerlendirme sonuçlarının dinamik geçerliliğini sağlamak için aynı anda bir çerçeve kalibrasyon modülü (L5) tanıtılır. Şekil 2, çoklu modal veri (bakış, kinematik, fizyoloji, ses) ile başlayan uçtan uca boru hattını göstermektedir; yapay zeka tabanlı özellik çıkarma, Bayes puanlama ve gerçek zamanlı görsel ve görsel-işitsel geri bildirim yoluyla başlamaktadır. Katmanlar etkileşimlidir, Katman 5 ise sürekli kalibrasyon sağlar. Bu mimari, katılımcılar için canlı 3D modelleme görevlerinde koordineli işlem ve doğrulanmış beceri tahmini yapılmasına olanak tanır.

Denklem (1) Bayes Güven Güncelleme Formülü:

Burada: P(θ), yetenek seviyesinin önceliksel olasılığını temsil eder (tarihsel değerlendirme verilerine dayanarak); P(D∥θ), beceri seviyesi θ altında çok modlu özellik verisi D'nin gözlemlenme olasılığını gösterir; P(D) marjinal olasılıktır; P(D∥θ), veri D birleştirildikten sonra beceri seviyesi θ'nin posterior olasılığıdır, yani nihai güven puanıdır. Bu çerçeve, göstergeleri ağırlıklandırmak için yapılandırılmış Delphi ve AHP^{yaklaşımı 23} kullandı. On konu uzmanından oluşan bir panel (ortopedi cerrahları, biyomedikal mühendisler ve deneyimli tıbbi CAD modelcileri), uzman puanlama kararlılığa ulaşana kadar bir göstergenin önemini 9 puanlık Likert ölçeğinde üç tur Delphi programına kattı (varyasyon katsayısı <0.15)²⁴. Daha sonra, uzmanların yakınsatı/dağıtılmış skorları kullanılarak, AHP tutarlılık kriterini kullanarak 0.1 tutarlılık oranı (CR) < çift bazında bir karşılaştırma matrisi oluşturuldu ve doğrulandı. CR 0.1'i aşarsa, matris yeniden ayarlanırdı. AHP yöntemlerinin çift bazında karşılaştırma matrisleri için tutarlılık oranları 0.03 ile 0.08 arasındaydı; bu da çok katmanlı hiyerarşik yaklaşım boyunca büyük iç mantıksal tutarlılığı göstermektedir. Çerçevedeki her katmanın tasarımı "modülerleştirme - genişletilebilirlik" ilkesine bağlıdır. Örneğin, Katman L1, fizyolojik veri toplama boyutunu biyosensörler ekleyerek genişletebilir; Katman L2, önceden eğitilmiş modelleri değiştirerek farklı sağlık uygulamalarının beceri değerlendirme gereksinimlerine uyum sağlayabilir; Layer L4, kullanıcı rollerine göre özel görselleştirme boyutlarını destekler. Bu, tıbbi 3D modelleme eğitimi ve profesyonel beceri sertifikasyon senaryolarında sonraki uygulamalar için esneklik sağlar.

Çok modlu veri toplama katmanı

3D etkileşim olay akışı

Bu modül, mühendislerin AI destekli 3D modelleme platformlarından yazılım eklentileri (16) aracılığıyla mühendislerin operasyonel verilerini toplar; hem ayrık operasyon olaylarını hem de sürekli parametre verilerini kapsar. Ayrı olaylar arasında model seçimi, köşe ayarlaması ve yapay zeka aracı çağrısı bulunurken, sürekli parametreler modelleme hızı, geri alma/tekrar sayıları ve yapay zeka öneri kabul oranlarını içerir. Her olay, 13 haneli bir zaman damgası ve ilgili 3D model koordinat sistemi değerleri (x, y, z) ile kaydedilir. Örneğin, ortopedik implant modelinin eğriliği ayarlanırken, eklenti işlemin başlangıç ve bitiş zamanlarını, ayarlanmış köşe koordinatlarını ve eğrilik varyasyonlarını kaydeder ve böylece yapılandırılmış bir olay günlüğü oluşturur (veri alanları için Tablo 1'den Tablo 3'e kadar bkzünüz). Bu veriler, daha sonra özel algoritmalar kullanılarak alana özgü geometrik, verimlilik ve bilişsel göstergeleri hesaplamak için işleniyor; böylece sağlıkla ilgili uygulamalarda modelleme davranışlarının ince taneli karakterizasyonu mümkün oluyor.

Göz hareketi ve jest sinyalleri

Göz hareketi verileri, mühendisin bilişsel dikkat dağılımını yansıtan 3D modelleme arayüzündeki sabitleme noktaları ve sakkad parametrelerine odaklanan masaüstü göz takipçi kullanılarak elde edilir.

Jest sinyalleri, tipik modelleme jestlerini tanımlamak için 22 üst uzuv anahtar eklem koordinatı çıkaran derinlik^{kamerası tarafından yakalanır 25}. Kamera, bireysel vücut boyutu farklarını azaltmak için 3D jest koordinat verilerini normalize vektör dizilerine dönüştürür.

Bu modül için veri senkronizasyonu, çerçevenin birleşik donanım tetikleyicisine (3D modelleme yazılımından 10 Hz zaman damgası) dayanır; senkronizasyon hatası ±50 ms içinde kontrol edilir (Denklem 3-2 üzerinden hesaplanır) ve böylece göz/jest davranışları ile modelleme işlemleri arasında zamansal korelasyon ^{sağlanır. 26}. Denklem (2), Veri Senkronizasyon Hata Hesaplamasını sunar:

(2)

Burada: E_t = cihaz edinme zamanı (t_cihaz) ile yazılım zaman damgası (t_yazılım) arasındaki senkronizasyon hatası; t_cihazı = göz takipçisi/derinlik kamerasının gerçek yakalama süresi; t_software = 3D modelleme yazılımından tetikleyici zaman damgası.

Fizyolojik ve ses verileri

Fizyolojik veriler, giyilebilir sensörler aracılığıyla toplanır: mühendisin ön koluna bağlanan ve ince işlemler sırasında kas gerginliğini kaydeden bir Elektromiografi (EMG) sensörü (1000 Hz örnekleme ^{frekansı) 27} ve operasyonel stabiliteyi yansıtır. Elektrokardiyografi (EKG) sensörü (250 Hz örnekleme frekansı)²⁸: Bilişsel yükü karakterize eden kalp atış hızı değişkenliği (HRV) göstergelerini toplamak için göğsünde takılır. Ses verisi, yönlendirilmiş bir mikrofon (44,1 kHz örnekleme frekansı) tarafından ^{yakalanır ve} modelleme sırasında mühendislerin sözlü yorumlarını kaydederek bilişsel durum analizini tamamlar. Tüm fizyolojik ve ses verileri, zaman damgalı çok modal veritabanında depolanmadan önce ön işlemeden geçer. Şekil 3 , fiziksel deneysel donanım konfigürasyonunu göstermektedir. EMG/EKG giyilebilir cihazlardan, mikrofondan, göz takipçisinden ve derinlik kamerasından gelen sensör verileri, 3D modelleme iş istasyonuna bağlanıyor. Zamansal veriler multimodal bir veritabanında kaydedilmeden önce, senkronizasyon modülü tüm akışları (±50 ms fark aralığında) ayarlar. Bu malzeme spesifikasyonu, özellik çıkarma ve puanlama hattına güvenilir, zamansal hizalanmış girdi anlamına gelir.

Yapay Zeka Özellik çıkarma katmanı

Geometrik kalite göstergeleri

Bu modül, 3D etkileşim olay akışından ve nihai model çıktısından 3D modellerin doğruluğunu ve rasyonallığını yansıtan nicel özellikleri çıkarır ve mühendislerin "modelleme hassasiyeti" becerilerinin değerlendirilmesinde temel temel oluşturur. Sapma, topoloji ve şablon tabanlı özellik metrikleri kullanılarak yapısal doğruluk, anatomik uyumluluk ve 3D model tamlığını değerlendirmek için üç ana gösterge tasarlanmış, hesaplama yöntemleri ve fiziksel anlamlar aşağıda detaylandırılmıştır:

Model sapma oranı (MDR)

Bu, mühendisin modellediği sonuç ile standart şablon arasındaki geometrik sapmayı ölçür. Sapma, iki model arasındaki ana özellik noktalarının Öklid mesafesinin karşılaştırılmasıyla hesaplanır. Formül, Denklem (3)'te gösterilmiştir:

(3)

Burada: n = önceden tanımlanmış anahtar özellik noktası sayısı (model karmaşıklığına göre 50-100 olarak ayarlanmıştır); P_i,engineer = mühendisin modelindeki i-ci özellik noktasının 3D koordinatları; P_i,standard = standart şablondaki i-ci özellik noktasının 3D koordinatları; |⋅| = Öklid mesafe operatörü.

Daha düşük MDR, standart modelle daha yüksek tutarlılığı gösterir; nitelikli sağlık uygulama modelleri için %5 ≤ eşik vardır. Modelleme yetkinlikleri, zaman verimliliği, yedek hareketler, jest kararlılığı ve önerilen yapay zeka araçlarının gerçek zamanlı 3D operasyonel senaryolarda kullanım kalıplarına dayanarak değerlendirildi.

Topolojik tutarlılık (TC)

Bu, 3B modelin topolojik yapısının tıbbi uygulama gereksinimlerini karşılayıp karşılamadığını değerlendirir. Gösterge, modeldeki topolojik kusurların (D) sayısı ve toplam topolojik eleman sayısı (T, köşeler, kenarlar ve yüzlerin toplamı) sayarak hesaplanır; Denklem (4)'te gösterildiği gibi:

(4)

Örneğin, bir diz eklemi modeli 2 manifold dışı kenar (D = 2) ve toplam 1200 topolojik eleman (T = 1200) içeriyorsa, bu oran %99,83'dür. Üretim risklerinden kaçınmak için tıbbi modeller için %98 ≥ gereklidir.

Özellik tamlığı (FC)

Bu yöntem, mühendisin sağlık uygulama modelinin tüm zorunlu özelliklerini tam olarak uygulayıp uygulamadığını değerlendirir. Gösterge, tamamlanan zorunlu özelliklerin (F_{tamamlanmış}) sayısının görev gereksinimlerinde tanımlanan toplam zorunlu özellikler sayısı (F_toplamı) ile karşılaştırılmasıyla belirlenir:

(5)

Davranışsal verimlilik göstergeleri

Bu modül, mühendislerin modelleme operasyonlarının verimliliğini yansıtan özellikleri çıkarmak için 3D etkileşim olay akışlarını ve jest sinyallerini işliyor ve "operasyon yetkinliği" becerilerini değerlendiriyor. Modellemeyle ilgili bilişsel talepler, senkronize fizyolojik, bakış ve EMG sinyalleri kullanılarak ölçüldü. Bu metrikler, modelleme sürecinde zaman ve iş yükü dalgalanmalarını takip eder.

Modelleme zaman verimliliği (MTE)

Bu, mühendisin gerçek modelleme süresini (T_gerçek) aynı görev için kıdemli uzmanların ortalama süresi (T_uzmanı) ile karşılaştırır ve 0-100 puanına normalleştirilir:

(6)

Örneğin, bir mühendis uzmanların ortalama 30 dakika yaptığı bir görevi 45 dakika tamamlayırsa, 100 - (45 - 30) x 50 = 75 olur, bu da orta verimliliği gösterir.

Yedekli çalışma hızı (ROR)

Bu, modelleme sürecindeki gereksiz işlemlerin oranını sayar. Fazlalı işlem sayısı (O_gereksiz) ile toplam işlem sayısı (O_toplam) oranı olarak hesaplanır:

(7)

Gereksiz işlemler, yapay zeka algoritması tarafından kural eşleştirme ve jest tutarlılığı analiziyle tanımlanır.

Yapay zeka araç kullanım oranı (ATUR)

Bu, mühendisin yapay zeka destekli fonksiyonları kullanarak verimliliği artırma yeteneğini ölçür. Bu, yapay zeka aracı çağrı sayısı (I_AI) ile toplam araç çağrı sayısı (I_toplam) oranı olarak tanımlanır:

(8)

Daha yüksek bir ATUR, yapay zeka araçlarının modelleme sürecine daha iyi entegre edilmesini gösterir ve bu, modern tıbbi 3D modelleme için anahtar bir beceridir.

Jest akıcılığı (GS)

Bu yöntem, mühendisin modelleme sırasında üst uzuv hareketlerinin stabilitesini değerlendirir. Gösterge, 22 üst uzum anahtar ekleminin (v_j) zaman içindeki hızının standart sapmasıyla hesaplanır:

(9)

Daha düşük standart sapma (dolayısıyla daha yüksek GS) daha akıcı hareketleri gösterir ve daha yüksek operasyonel yeterliliği yansıtır. Bu göstergeler, modelleme sürecinde gerçek zamanlı olarak çıkarılır; yapay zeka algoritması gösterge değerlerini her 5 dakikada bir günceller ve sonraki birleşme için özellik veritabanında saklar.

Bilişsel yük göstergeleri

Bu modül, göz hareketi sinyallerini ve fizyolojik verileri analiz ederek mühendisin modelleme sırasında bilişsel yükünü nicelikleştirir ve "bilişsel uyumlanabilirlik" becerilerini değerlendirir. Multimodal göstergeler, Delphi-AHP yaklaşımı ve Bayes kanıtlarının güncellenmesiyle gerçek zamanlı, olasılıksal mühendislik becerisi puanları elde edilerek ağırlıklandırıldı. Üç ana gösterge geliştirilmiştir:

Fiksasyon dispersyonu (FD)

Bu, mühendisin görsel dikkatinin dağılımını yansıtır. 3D modelleme arayüzünde maksimum ve minimum fiksasyon noktası koordinatları arasındaki Öklid mesafesi olarak hesaplanır ( (x_max, y_max) ve (x_min, y_min) ) 2 dakikalık bir pencere üzerinde:

(10)

Daha büyük bir FD, genellikle yüksek bilişsel yükle ilişkili dağınık dikkat göstermektedir.

Kalp Atış Hızı Değişkenliği (HRV) - SDNN

SDNN (Normalden Normale Aralıkların Standart Sapması) EMG verilerinden çıkarılarak mühendisin kalp atış hızındaki dalgalanmaları ölçülür. Daha düşük SDNN, artan bilişsel yükü yansıtan daha yüksek sempatik sinir aktivitesini gösterir. Yapay zeka algoritması önce EKG gürültüsünü (dalga sümükü dönüşümü aracılığıyla ) filtreler, ardından Denklem (11) kullanarak SDNN'yi hesaplar:

(11)

Burada: N = 5 dakikalık bir pencerede normal kalp atışı sayısı; RR_k = k-i ile (k + 1)-ci normal kalp atışı arasındaki zaman aralığı; = penceredeki ortalama RR aralığı.

Elektromiografi (EMG) - Kök ortalama kare (RMS)

Ön kol EMG sinyallerinin RMS'si kas gerginliğini yansıtır: yüksek RMS, bilişsel stres nedeniyle artan kas sertliğini gösterir. Hesaplama formülü şöyledir:

(12)

Burada: m = 1 dakikalık bir pencerede EMG sinyal örnekleri sayısı ve EMG(t) = EMG sinyalinin t zamanındaki genliği. Kavramsal netliği sağlamak ve araştırmanın tekrarlanmasını kolaylaştırmak için özet diyagram oluşturulmuştur. Bu alan, on değerlendirme göstergesi ile önerilen çerçevenin arkasındaki üç ana yapı arasındaki hiyerarşik ilişkiyi gösterir: geometrik kalite, operasyonel verimlilik ve bilişsel uyum sağlama. Bu diyagram, çoklu modal giriş sinyallerinin ölçülebilir göstergelere nasıl dönüştürüldüğünü ve ardından Bayes yaklaşımıyla birleşerek bileşik mühendislik beceri puanı oluşturulmasını gösterir. Bu genel büzme, değerlendirme mantığının sıkıştırılmış bir versiyonunu sunar ve bu çalışmanın biçimlendirici olarak ve gelecekteki eğitim ile düzenleyici yönü için metodolojik şeffaflığını artırır. Şekil 4 , önerilen mühendislik becerisi değerlendirme çerçevesinin hiyerarşik yapısını gösterir; bu yapı, on multimodal göstergeyi üç temel yapıya organize eder: geometrik kalite, operasyonel verimlilik ve bilişsel esneklik. Bu faktörler, yapay zeka destekli 3D modelleme performansını değerlendirmek için kullanılan genel beceri sonucuna katkıda bulunur.

Kanıt füzyon ve puanlama motoru

Gösterge ağırlık ataması (Delphi + AHP)

Bu modül, çok boyutlu özellikler arasında farklılaşmış önem sorununu ele alır; Delphi yöntemi (uzman uzlısı) ve Analitik Hiyerarşi Süreci (AHP) birleştirerek, çıkarılan on göstergeye (üç geometrik kalite göstergesi, dört davranışsal verimlilik göstergesi ve üç bilişsel yük göstergesi) ağırlıklar atayır ve bu karmaşık çok modlu göstergeleri görsel ve yorumlanabilir formatlarda temsil eder. örneğin radar grafikleri, ısı haritaları ve biyomedikal açısından ilgili tanı çıkarımı için açıklamalı oynatmalar gibi.

Delphi konsensus aşaması

On uzmandan oluşan bir panel, her göstergenin önemini, üç anonim anket turunda 9 puanlık bir ölçek (1 = "en az önemli", 9 = "en önemli") değerlendirdi. Her turdan sonra, puan ayarlamasını kolaylaştırmak için panele ortalama puanlar ve varyasyon katsayıları (CV) içeren istatistiksel geri bildirim sağlandı. Yakınsama, her gösterge için bir CV ≤ 0.15 olarak tanımlandı. Özellikle, Model Sapma Oranı (MDR) ve Yapay Zeka Araç Kullanım Oranı (ATUR) gibi göstergeler için genel olarak ikinci turda uzlaşma sağlandı; bu durum doğrudan klinik önemlerine bağlandı.

Teknik dayanıklılığı sağlamak için protokol, çok modlu veri hizalamasını (senkronizasyon toleransı ≤ 50 ms; 30 Hz birleşik tetik saati) ve gösterge hesaplama yöntemlerini standartlaştırdı. Örneğin, MDR 50-100 anatomik anahtar noktadan türetilmişken, kusursuz elemanlar için Topolojik Tutarlılık (TC) eşiği %>98 olarak belirlenmiştir. Bu eşikler, gözenekli kemik için %5 sapma 10-4 öğrenme oranı ve 120 dönem ile eğitilmiş bir CNN-LSTM özellik çıkarıcısı kullanıldı.

AHP Hiyerarşisi kuruluşu

Üç seviyeli bir hiyerarşi oluşturulur: Hedef Katman (A): Mühendislik becerisi kapsamlı değerlendirmesi; Kriter Katmanı (B): 3 birinci seviye gösterge (B1: Geometrik Kalite, B2: Davranışsal Verimlilik, B3: Bilişsel Yük); Gösterge Katmanı (C): 10 ikinci seviye gösterge (C1: MDR, C2: TC, ..., C10: EMG RMS).

İkili karşılaştırma ve tutarlılık kontrolü

Delphi konsensüs sonuçlarına dayanarak, Kriter Katmanı ve Gösterge Katmanı için çiftli bir karşılaştırma matrisi oluşturulur. Kriterit Katmanını örnek alarak, matris şu şekilde tanımlanır:

(13)

Burada: a_ij , B_j ile B_j'nin önem oranıdır. Kriter Katmanı'nın ağırlık vektörü (W_B = [w_{B1,w B2,w B3}]) ) özvektör yöntemiyle hesaplanır. Mantıksal çelişkilerden kaçınmak için, Tutarlılık Oranı (CR) Denklem (14) kullanılarak kontrol edilir:

(14)

Burada: ( λ_max = matrisin maksimum özdeğeri, = gösterge sayısı) ve rastgele tutarlılık indeksidir (n = 3 için, RI = 0.58). CR 0.1 < ise sonuç kabul edilebilir.

Bu süreçle tipik ağırlıklar elde edilir: (Geometrik Kalite), (Davranışsal Verimlilik), (Bilişsel Yük); Gösterge Katmanındaki MDR (C1) ağırlığı genellikle en yüksek (~0.25) olurken, EMG RMS (C10) en düşüktür (~0.05).

Bayes özgüven güncellemesi

Bu modül, ağırlıklı göstergeleri birleştirerek nihai beceri güven puanını oluşturur ve "tek özellik değerlendirmesinin belirsizliğini" gerçek zamanlı çoklu modal verilerle önceki olasılıkları güncelleyerek ele alır. Süreç, Denklem (1) (Bayes formülü) temelinde bulunur ve iki adımda uygulanır:

Adım 1: Önceden olasılık başlatma (P(θ))

Beceri seviyesi 5 dereceye ayrılır: (Acemi), (Başlangıç), (Orta), (İleri), (Uzman). Ön olasılık, tarihsel veriler kullanılarak başlatılır: sistem 500 mühendisi değerlendirmişse ve 100 mühendis θ₃ olarak sınıflandırılmışsa, P(θ₃) = 100/500 = 0.2. Tarihsel veri olmayan yeni kullanıcılar için ise bir tek bir prior (P(θ_i) = 0.2 tüm i için) kabul edilir.

Adım 2: Arka olasılık hesaplaması (P(θ∥D))

Çok modlu özellik verisi, 10 normalize göstergenin ağırlıklı toplamıdır:

(15)

Burada: w_Ck, k-th göstergesinin ağırlığıdır (Bölüm 3.4.1'den), Ck_normu ise k-indikatorun normalize değeridir ([0,1] aralığı).

Olasılık olasılığı, mühendislerin beceri seviyesindeki özellik verilerinin takip ettiği varsayılarak Gauss dağılımı kullanılarak modellenir (ortalama_{μ i}, varyans ). Bu parametreler 200 etiketlenmiş örnek kullanılarak kalibre edilir.

Son olarak, arka olasılık Denklem (3-1) ile hesaplanır ve maksimuma karşılık gelen beceri derecesi gerçek zamanlı değerlendirme sonucundur. Örneğin, bir mühendisin D = 0.72 ve (diğer notlardan daha yüksekse), "İleri" olarak sınıflandırılır.

Güven güncelleme sürecini görselleştirmek için, Şekil 5 , bilinen eşit yetenek olasılıklarının Bayes çıkarımı ve gerçek zamanlı sinyaller kullanılarak nasıl posterior dağılıma güncellendiğini göstermektedir. Görev gözlemlendikten sonra, model en büyük arka olasılıkla yetenek derecesine yönelik kanıtları güçlendirmek için güncellenir. Doğrulama testleri, uzman beceri notlarının güçlü yakınsamaya kararlılığını gösterdi ve Bayes puanları uzman puanlarıyla güçlü bir şekilde korelasyonla birleşti; bu da iş akışında Bayes güncellemesinin güvenilir kullanımını destekledi.

Bu katmanın çıktısı, kapsamlı bir beceri puanı (0-100, maksimum posterior olasılıktan haritalanmış) ve sezgisel sunum için Görsel Geri Besleme Katmanına iletilen bir güven aralığıdır.

Görsel geri besleme katmanı

Gerçek zamanlı radar haritası

Bu modül, 10 normalize göstergeyi ve 3 üç seviyeli kriterit puanını radar tablosuna dönüştürerek mühendislerin beceri güçlü ve zayıf yönlerinin sezgisel karşılaştırmasını sağlar. Radar tablosu 7 eksenle tasarlanmıştır (3 birinci seviye kriterler için: B1-B3; 4 çekirdek ikinci seviye göstergeler için: C1=MDR, C4=ATUR, C7=FD, C9=SDNN yüksek ağırlıkları ve yorumlanabilirlikleri nedeniyle seçilir), her eksen aralığı [0,100] olarak normalleştirilir ([0,1] normalize değerlerinden Denklem 3-7 üzerinden haritalanır). Çerçevenin başlangıcında uzman açıklamaları ve aktif öğrenme güncellemeleriyle ölçüm doğruluğunu sürekli artırmak için, sağlık modelleme bağlamı ve artan anlayış dahil edilmiştir.

Denklem (16) Radar Haritası için Gösterge Değer Haritalama:

(16)

Burada: V_radar = radar harita ekseninde gösterilen değer; Ck_normu = k-indikatorun normalleştirilmiş değeri ([0,1] aralığı).

Radar tablosu gerçek zamanlı olarak (her 5 dakikada bir) güncellenir ve iki referans kıyaslası içerir: standart bir kıyaslama çizgisi (kesik çizgi, V_radar = 80, "İleri" beceri seviyesi eşiğini temsil eder) ve uzman ortalama çizgisi (50 kıdemli mühendisin tarihsel verilerinden hesaplanan noktalı çizgi). Şekil 6, mühendisin temel göstergelerden oluşan bir bileşim üzerindeki davranışını gösterir: geometrik kalite, bilişsel yük, araç kullanım verimliliği ve fiksasyon dağılımı ve ilgili uzman kıyaslamalarına kıyaslanmıştır. Geri besleme katmanının bir parçası olarak, birleşmiş metrikler kullanılarak gerçek puanlar yorumlanabilir bir profile çevrildi. Kullanıcı çalışmaları, yetkinlik açıklarını hızlıca bulma ve modelleme görevleri sırasında iyileştirme için yapılandırılmış, veri odaklı bir hesaplamayı teşvik etmek için başarılı bir uygulama olduğunu gösterdi.

Zamansal ısı haritası

Bu modül, tüm modelleme sürecinde beceri göstergelerinin dinamik değişim eğilimini görselleştirir ve mühendislerin zorluklarla karşılaştığı zaman dilimlerini belirlemeye yardımcı olur. Isı haritası 2D bir ızgara kullanır: x ekseni zaman aralıklarını (10 dakikalık segmentler, 2 saatlik bir görev için toplam 12 segment) temsil eder ve y ekseni 5 ana göstergeyi temsil eder (C1=MDR, C4=ATUR, C6=GS, C7=FD, C9=SDNN). Her ızgara hücresinin renk yoğunluğu, göstergenin normalize değerine karşılık gelir; renk ölçeği mavi (düşük değer, düşük performans_{: Ck} normu < 0.5) ile kırmızıya (yüksek değer, iyi performans_{: Ck} normu < 0.8) denklemde tanımlanmıştır; bu da Denklem (17)'de tanımlanmıştır:

Denklem (3-8), Isı Haritası için Renk Yoğunluğu Hesaplamasını sunar:

(17)

Burada: I_renk = RGB renk yoğunluğu değeri (0-255, 0=mavi, 255=kırmızı); min(Ck_normu) ve max(Ck_norm) = göstergenin tüm zaman aralıkları boyunca minimum ve maksimum normalize değerleri.

Şekil 7 , 10 dakikalık segmentlerde bilişsel yük, fiksasyon dağılışı, bakış kararlılığı ve karar gecikmesi metriklerindeki zaman çözünürlüğüyle değişen değişiklikleri göstermektedir. Vurgulanan bölgelerin yüksek bilişsel talep veya iş akışı bozulmalarını gösterdiğini unutmayın. Bu zaman görünümü, doğrudan koalesans multimodal akışlardan oluşturulur ve uzmanların notlarıyla desteklenerek, modelleme yorgunluğu, dikkat kaymaları ve göreve özgü zorluklarla ilgilenmedeki kritik rolünü aydınlatmaktadır.

D oynatma notasyonu

Bu modül, 3D modelin çalışma oynatma aşamasında beceri değerlendirme notlarını üst üste yerleştirerek mühendisin modelleme davranışının adım adım analizini mümkün kılar. Oynatma hızı ayarlanabilir (0.5×-2× gerçek zaman) ve çok modlu veri zaman damgasıyla senkronize edilir. Üç tür açıklama gömülüyor: Geometrik Hata Açıklamaları: Kırmızı tel çerçeveler, MDR (C1)'in %5'i (nitelikli eşik eşik) aştığı model bölgelerini vurgular, metin etiketleri sapma değerini gösterir. Verimlilik Uyarı Açıklamaları: Yedek işlemlerin bulunduğu yerde sarı ünlem işaretleri belirir ve açılır pencereler işlem türünü gösterir. Bilişsel Yük Notları: Köşedeki yeşil/kırmızı durum çubukları gerçek zamanlı bilişsel yükü gösterir (C9: SDNN ve C10: EMG RMS temelinde), kırmızı "Yüksek Yük" (SDNN < 50 ms) ve yeşil "Normal Yük" (SDNN > 100 ms) anlamına gelir.

Çerçeve kalibrasyonu ve yineleme

Uzman açıklama arayüzü

Bu modül, kıdemli uzmanların çerçevenin değerlendirme sonuçlarını düzeltmesi ve etiketlemesi için insan içinde bir arayüz sunar ve sağlık uygulama senaryolarındaki değişikliklerin neden olduğu "değerlendirme doğruluğunun kayması"nı ele alır. Arayüz üç temel işlevle tasarlanmıştır: sonuç düzeltme, gösterge yeniden ağırlıklandırma ve annotasyon depolama.

Sonuç düzeltme fonksiyonu

Uzmanlar önce görsel geri bildirim sonuçlarını ve çerçevenin kapsamlı beceri puanını (0-100) inceler. Puan uzman yargısından sapırsa, uzman puanı manuel olarak ayarlayabilir ve nedeni kaydedebilir. Düzeltme büyüklüğü, Denklem (18) ile nicelendirilir:

(18)

Burada: S_{düzeltilmiş} = nihai düzeltilmiş puan; S_framework = çerçevenin ilk puan çıktısı; S_uzman = uzmanın manuel puanı; α = düzeltme ağırlığı (varsayılan olarak 0.8 olarak ayarlanmış, uzman kararının baskın olmasını sağlarken çerçeve rasyonelliğini korur).

Gösterge yeniden ağırlıklandırma fonksiyonu

Senaryoya özel kalibrasyon için, uzmanlar bireysel göstergelerin ağırlığını kaydırma çubuk (0-0.5 aralığı) aracılığıyla ayarlayabilir. Arayüz, ayarlamadan sonra tutarlılık oranını (CR) otomatik olarak yeniden hesaplar (Denklem 3-6 kullanarak) ve uzmanları uyarır (mantıksız ağırlık dağılımı), böylece ayarlanmış ağırlıkların matematiksel olarak geçerli kalmasını sağlar.

Annotasyon depolama fonksiyonu

Tüm düzeltilmiş puanlar, düzeltilmiş ağırlıklar ve uzman yorumları, zaman damgaları ve senaryo etiketleriyle birlikte açıklamalı bir veritabanında saklanır. Bu veritabanı, sonraki çevrimiçi aktif öğrenme modülü için eğitim verisi olarak hizmet verir ve tipik bir veri şeması Tablo 2'de gösterilmiştir.

Çevrimiçi aktif öğrenme güncellemesi

Bu modül, annotasyonlu verileri kullanarak çerçevenin temel algoritmalarını (L2'de yapay zeka özellik çıkarma modelleri ve L3'te Bayes puanlama motoru) yinelemeli olarak optimize eder ve çerçevenin tam yeniden eğitim olmadan yeni sağlık uygulama senaryolarına uyum sağlamasını sağlar. Güncelleme süreci, üç aşamaya ayrılmış bir komite sorgulama (QBC) stratejisini takip eder:

Aşama 1: Belirsizlik hesaplaması

Üç paralel "komite modeli" (hepsi L2 özellik çıkarma modeliyle aynı mimariye dayanıyor ancak farklı tarihsel veri setleri üzerinde eğitilmiş):

Model A: Ortopedik implant modelleme verileri üzerine eğitildi;

Model B: Organ rekonstrüksiyon verileri üzerine eğitildi;

Model C: Diş implantı modelleme verileri üzerine eğitilmiş.

Her etiketlenmemiş örnek için (mühendisin modelleme verileri) komite modelleri üç tahmin edilen beceri puanı çıkarır. Örneklemin belirsizliği, üç puanın varyasyon katsayısı (CV) ile hesaplanır:

(19)

Burada: S_{A,SB,S C} = üç komite modeli tarafından öngörülen puanlar; STD (⋅)= standart sapma; = üç puanın ortalaması.

Daha yüksek bir CV, komite modelleri arasında daha fazla anlaşmazlık (daha yüksek belirsizlik) anlamına gelir, yani örneklem annotasyon için daha değerli olur.

Aşama 2: Örnek seçimi

Çerçeve, en yüksek CV'ye sahip örneklerin en iyi %10'unu seçer ve bunları etiketleme için uzman annotasyon arayüzüne gönderir. Bu aktif seçim stratejisi, rastgele seçime kıyasla uzman notlama gerektiren örnek sayısını %40-60 oranında azaltarak kalibrasyon verimliliğini artırır.

Aşama 3: Model yeniden öğretim ve güncelleme

Yeni açıklamalı örnekler, çerçevenin algoritmalarını ince ayarlamak için kullanılır:

L2 özellik çıkarma modelleri için: Model, açıklamalı geometrik hata verileri kullanılarak 1e-5 öğrenme oranı (başlangıç eğitim oranının %10) ile yeniden eğitilir ve aşırı uyum önlemek için yalnızca son iki katman güncellenir.

L3 Bayes puanlama motoru için: Her beceri seviyesi için Gauss dağılım parametreleri () açıklamalı skor verileri kullanılarak güncellenir ve güncelleme formülü Denklem (20)'de gösterilir:

(20)

Burada: = güncellenmiş beceri seviyesi ortalaması θ_i; = güncelleme öncesi orijinal ortalama; _S-θi = θ_i olarak etiketlenmiş notlanmış örneklerin ortalama düzeltilmiş puanı; β = unutma faktörü (0.7 olarak ayarlanmış, tarihsel veriler ve yeni açıklamalar dengeli).

Güncellenmiş çerçeve, yeniden eğitimden hemen sonra çevrimiçi olarak devreye alınır ve dağıtımdan önce performans kontrolü yapılır: Çerçevenin yeni çıktısı ile uzman açıklamaları arasındaki ortalama mutlak hata ≤3 (önceki sürüme göre %≥20 azalmış) ise, güncelleme onaylanır; aksi takdirde, yeniden eğitim süreci ek açıklamalı örneklerle tekrarlanır.

Bu yinelemeli kalibrasyon mekanizması, sağlık uygulama 3D modelleme teknolojileri gelişirken bile çerçevenin değerlendirme doğruluğunun %90'ın üzerinde kalmasını sağlar ve uzun vadeli uyum sağlar.

Sonuçlar

Sonuçlar, beceri ayrımcılığı, yapı geçerliliği, öngörücü geçerlilik ve gerçek zamanlı geri bildirimin etkinliğinin deneysel değerlendirmesi yoluyla çerçevenin geçerliliği, güvenilirliği ve kullanılabilirliğini değerlendirir.

Deneysel tasarım

Deneyler, 12 çekirdekli Intel işlemci, 32 GB RAM ve 1 TB SSD depolama içeren bir bilgisayarda Python ortamında gerçekleştirildi. Veri senkronizasyonu için NumPy ve Pandas kullan...

Tartışma

Mevcut 3B modelleme ve etkileşim çerçeveleri az sayıda olmasına ve bazı durumlarda faydalı bilgiler sağlayabilmesine rağmen, 3B modelleme görevlerinde mühendislik yeteneklerini değerlendirmektedirler. Önceki çoğu jest takip ve arayüz^{çalışması,} kullanıcının yeteneğinin değerlendirilmesinden ziyade etkileşimli davranışı değerlendirir. Benzer şekilde, VR/haptik tabanlı eğitim sistemleri²⁰ örneğinde, öğrenen anatomi hakkında gelişmiş bir anlayı...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Yapay Zeka Destekli 3D Modelleme Yazılımı	Materialise NV, Belçika	AI v25.0'ı taklit ediyor	Femoral-kök implant modellemesi ve karaciğer damar rekonstrüksiyonu görevlerinde, yapay zeka segmentasyonu ve kusur tespiti için kullanılır.
Göz İzleyici (Masaüstü)	Tobii Pro Fusion	TPF-120	Modelleme sırasında görsel dikkati nicelikle ölçmek için 120 Hz'de fiksasyon ve sakkad verilerini yakalar.