Brain-NET是一种深度学习方法，可以根据神经成像数据准确预测外科医生认证分数

为了获得普通外科认证，在美国的居民需要证明熟练掌握腹腔镜计划的基础知识(FLS)，这是一项需要在体能训练单元中操作腹腔镜工具的测试。评估的核心是一个定量分数，即FLS分数，它是用一个耗时费力的公式手动计算出来的。

通过将大脑光学成像和他们称之为“brain - net”的深度学习框架相结合，伦斯勒理工学院的一个多学科工程师团队，与布法罗大学雅各布斯医学院和生物医学科学系密切合作，开发了一种新型的大脑成像系统新方法这有可能改变外科医生的培训和认证过程。

在一篇新文章中IEEE生物医学工程汇刊研究人员展示了Brain-NET如何仅根据神经成像数据，就手术运动技能准确预测一个人的专业水平。这些结果支持未来采用该团队开发的一种新的、更有效的外科医生认证方法。

“这是RPI真正独特的专业领域，”Xavier Intes教授说生物医学工程他领导了这项研究。

根据Intes的说法，Brain-NET不仅比传统的预测模型执行得更快，而且更准确，特别是当它分析更大的数据集时。

Brain-NET建立在该研究团队早期在这一领域的工作基础之上。由Rensselaer机械、航空航天和核工程系主任Suvranu De领导的研究人员此前表明，他们可以通过光学成像分析大脑激活信号来准确评估医生的手术运动技能。

除了有可能简化外科医生认证过程在美国，Brain-NET的开发与光学成像分析相结合，还可以为正在训练的外科医生提供实时评分反馈。

Intes说:“如果你能得到预测分数的测量结果，你就可以立即给出反馈。”“这打开了一扇门，让我们可以进行补救或培训。”