外科医生距离手术世界模型还有多远？一项关于零样本手术视频生成与专家评估的初步研究

arXiv 25.11 2025 58.5 benchmark, application

TLDR

一项评估零样本手术视频生成的初步研究，揭示了视觉质量与因果理解之间的合理性差距。

评分理由

The paper introduces a novel benchmark (SurgVeo) and evaluation framework (SPP) for surgical video generation, with expert surgeon assessment. Its strengths include a systematic evaluation and quantitative evidence of limitations, but weaknesses are the pilot nature, limited scope (two procedures), and lack of proposed model improvements.

Read-first 评分解释

综合优先阅读分 58.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 40。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、评估、结果

主题相关性 42%

57.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：212。

关键词评分

world model

video world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

SurgVeo：首个由专家策划的手术视频生成模型评估基准
手术合理性金字塔（SPP）：一个新颖的四层框架，用于从基本外观到复杂手术策略评估手术视频合理性
首次定量证据表明手术AI中视觉上令人信服的模仿与因果理解之间存在'合理性差距'

方法

作者引入了SurgVeo，一个由专家策划的包含腹腔镜和神经外科手术片段的手术基准，以及手术合理性金字塔（SPP），一个四层评估框架（视觉感知、器械操作、环境反馈、手术意图）。他们让Veo-3基础模型对这些片段进行零样本预测，并由四位委员会认证的外科医生组成的专家组根据SPP层级对生成的视频进行评估。

关键结果

Veo-3在视觉感知合理性方面表现出色，但在SPP更高层级（器械操作合理性、环境反馈合理性和手术意图合理性）上严重失败，揭示了视觉模仿与因果理解之间存在明显的'合理性差距'。

局限性

初步研究范围有限（仅涉及两个手术领域：腹腔镜和神经外科）
仅评估了一个基础模型（Veo-3），未与其他视频生成模型进行比较
零样本设置可能无法反映微调或领域自适应模型的性能
专家小组规模较小，仅四位委员会认证的外科医生，可能限制评估的泛化性
未明确讨论评估者间信度或合理性差距的统计显著性

资源

论文