Por qué el reconocimiento en línea de fases es una tarea difícil
Un sistema en línea que sigue el progreso de una operación debe emitir la etiqueta de la etapa actual en cada nuevo fotograma. No tiene fotogramas futuros: solo puede basarse en lo ya visto. Además, la operación dura horas, y el costo de procesar un fotograma no debe aumentar con cada hora adicional de grabación. De lo contrario, el modelo dejará de funcionar en tiempo real.
Formalmente, las arquitecturas recurrentes basadas en SSD —structured state-space duality— cumplen con esta restricción. Transfieren todo el historial a un estado oculto, y el volumen de cálculo por fotograma permanece fijo. Pero la capa SSD tiene su propia peculiaridad: la transición dentro de cada cabeza se define mediante un único escalar. Este escalar determina simultáneamente «dónde» se inserta el fotograma actual en el estado y qué tan rápido se olvida la información del estado.
Para operaciones por video, esta vinculación rígida es un problema. Los patrones visuales —la apariencia de los instrumentos, tejidos, zonas de interés— se repiten en diferentes etapas. Una nueva aparición de una imagen se escribe sobre la anterior, y al final dos episodios similares solo se distinguen por cuánto tiempo ha pasado desde que ocurrieron. La función de pérdida no le da a la modelo una señal explícita sobre cuándo el contenido antiguo del estado dejó de ser útil. Además, las fases en sí pueden tener duraciones muy variables: algunas duran segundos, otras una parte notable de todo el procedimiento, y visualmente la operación puede parecer casi sin cambios.
Reprogramación del estado y control del olvido
Los autores del trabajo —Sukju Oh y Sukkyu Sun— proponen para esto el modelo SurgicalMamba. Su solución no consiste en reemplazar por completo la capa recurrente, sino en corregir el comportamiento del estado transferido.
El primer mecanismo se llama state regramming —reprogramación del estado. En el límite de cada fragmento procesado, el vector oculto no solo se transmite hacia adelante, sino que se rota en un ángulo que depende del contenido del fragmento actual. Gracias a esto, dos fragmentos similares entre los cuales ha transcurrido otra fase caen en diferentes regiones del espacio de estados y dejan de sobrescribirse entre sí. El modelo puede distinguirlos por contexto, no solo por antigüedad.
El segundo mecanismo es la modulación del decaimiento en las transiciones de fase. Cuando el modelo detecta un límite entre etapas, refuerza temporalmente el olvido: el estado se limpia rápidamente de la información de la fase finalizada. Dentro de la propia fase, el decaimiento permanece lento para que el contexto se conserve. La intensidad de la limpieza se ajusta para que el modelo «sobreviva» hasta el final de la fase más larga y no pierda el contexto necesario antes de tiempo.
Es importante que ambos cambios no rompen la estructura N-semiseparable de SSD y, por lo tanto, se mantiene la garantía de complejidad anterior: O(d) por fotograma. El modelo sigue siendo lo suficientemente ligero para el trabajo en streaming.
Qué mostraron las pruebas
En siete puntos de referencia públicos, SurgicalMamba alcanza un nivel de precisión de vanguardia. En el conjunto Cholec80, la precisión en línea fue del 94.6% y el Jaccard de fases, del 82.7%. En AutoLaparo, los resultados son ligeramente inferiores, pero también notables: 89.5% y 68.9%, respectivamente. Además, en una sola GPU, el modelo procesa 312.88 fotogramas por segundo, con un amplio margen para tiempo real.
El Jaccard de fases aquí es más importante que la precisión ordinaria: verifica en qué medida los intervalos de fase predichos se superponen con los reales. Es más estricto con los errores en los límites, donde los sistemas suelen equivocarse con mayor frecuencia.
Es interesante que el mecanismo no solo funciona en cirugía. Si se añade únicamente la operación de rotación del estado a un Mamba2 estándar, mejora la métrica MQAR —la capacidad de extraer varios elementos previamente encontrados de un contexto largo. La mejora aparece precisamente donde la limitación era el estado recurrente. Esto sugiere que la reprogramación del estado resuelve un problema más general de los modelos recurrentes, no solo la tarea de reconocimiento de etapas quirúrgicas.
