机器人辅助手术承诺医学的范式转变。在从泌尿科和妇科到心胸和小儿外科的子领域，它使外科医生能够执行复杂的手术而无需采取剖腹手术(手术切入腹部)。更好的是，手术机器人包含捕捉每一刀和针移动和缝合针迹的摄像机，有助于创建一个视频库，可用于训练手势识别系统，用于技能评估，逐步指导以及前后自动化 - 手术任务。

问题是，最先进的动作识别方法需要手动标记视频等样本，这往往既费时又容易出错。也许这就是为什么伦敦伦敦大学学院机器人研究所，米兰理工大学和维罗纳大学的研究人员最近在Arxiv.org(“弱监督手术手势识别”)的预印纸上探索了一种不再需要的方法。比几个注释演示训练识别神经网络算法。

作为背景，神经网络由分层排列的神经元组成，并将信号传递给其他神经元。这些信号 - 馈入神经网络的数据或输入的乘积 - 从一层到另一层传播，并通过调整每个连接的突触强度(权重)来慢慢“调整”网络。随着时间的推移，网络从数据集中提取特征并识别跨样本趋势，最终学会做出预测。

在这项研究中，为了找到最佳建模其手术示范输入语料库的多维概率分布的混合，研究人员利用基于经典高斯混合模型(GMM)的无监督识别算法。研究人员写道，它是一种理想的模型架构，用于不严格影响彼此的任务，例如同步分割和分类。此外，它是直观的，因为基于GMM的算法通过独立的手段和其他变量来表示动作类。

研究人员利用三个手术演示 - 两个来自专家用户，一个来自中间用户 - 以及地面实况注释来初始化基于GMM的算法的参数。为了验证它，该团队采购了一个公共数据集--JIGSAWS--包含8名外科医生使用Intuitive Surgical的达芬奇手术系统在演示期间捕获的标记视频和运动数据。该论文的共同作者表示，在一系列实验中 - 通过提议的注释和重新定义动作并优化输入 - 他们设法将基线的整体识别准确度提高了25%，并改善了动作类识别。

“在训练过程中对真实手术运动轨迹的实验结果证实，弱监督的初始化明显优于标准的任务不可知的初始化方法，”共同作者写道。

也就是说，他们承认他们的实验数据集相对较小，并且GMM方法通常不能抵抗“日益变化的”数据。但他们表示，在未来的工作中，他们打算进一步探讨弱监督对无监督HMM方法中概率分布初始化的影响。