Por que o reconhecimento online de fases é uma tarefa difícil
Um sistema online que acompanha o andamento de uma cirurgia deve fornecer o rótulo da etapa atual a cada novo quadro. Ele não tem acesso a quadros futuros: só pode se basear no que já foi visto. Além disso, a cirurgia dura horas, e o custo de processamento de um quadro não pode aumentar a cada hora seguinte de gravação. Caso contrário, o modelo deixará de acompanhar o tempo real.
Formalmente, arquiteturas recorrentes baseadas em SSD — structured state-space duality — se encaixam nessa restrição. Elas transferem todo o histórico para um estado oculto, e o volume de cálculo por quadro permanece fixo. Mas a camada SSD tem sua particularidade: a transição dentro de cada cabeça é definida por um único escalar. Esse escalar determina simultaneamente "para onde" o quadro atual vai no estado e com que rapidez as informações do estado serão esquecidas.
Para vídeos de cirurgias, essa ligação rígida atrapalha. Padrões visuais — aparência de instrumentos, tecidos, zonas de interesse — se repetem em diferentes etapas. Uma nova ocorrência da imagem é gravada sobre a antiga e, no final, dois episódios semelhantes se diferenciam apenas por quão recentes são. A função de perda não dá ao modelo um sinal explícito de quando o conteúdo antigo do estado deixou de ser útil. Além disso, as próprias fases podem ter durações bem diferentes: algumas duram segundos, outras — uma parte considerável de todo o procedimento, e visualmente a cirurgia pode parecer quase inalterada.
Reprogramação do estado e controle do esquecimento
Os autores do trabalho — Sukju Oh e Sukkyu Sun — propõem para isso o modelo SurgicalMamba. A solução não está em substituir completamente a camada recorrente, mas em corrigir o comportamento do estado transferido.
O primeiro mecanismo é chamado de state regramming — reprogramação do estado. Na fronteira de cada bloco processado, o vetor oculto não é simplesmente passado adiante, mas rotacionado por um ângulo que depende do conteúdo do bloco atual. Graças a isso, dois fragmentos semelhantes, entre os quais passou outra fase, caem em regiões diferentes do espaço de estados e deixam de se sobrescrever. O modelo pode distingui-los pelo contexto, e não apenas pela idade.
O segundo mecanismo é a modulação do decaimento nas transições de fase. Quando o modelo marca a fronteira entre etapas, ele temporariamente intensifica o esquecimento: o estado é rapidamente limpo das informações da fase concluída. Dentro da própria fase, o decaimento permanece lento, para que o contexto seja preservado. A intensidade da limpeza é ajustada para que o modelo "sobreviva" até o final da fase mais longa e não perca o contexto necessário antes do tempo.
É importante que ambas as mudanças não quebrem a estrutura N-semisseparável do SSD, portanto, a garantia anterior de complexidade é mantida: O(d) por quadro. O modelo permanece leve o suficiente para operação em fluxo contínuo.
O que os testes mostraram
Em sete benchmarks públicos, o SurgicalMamba atinge o estado da arte em precisão. No conjunto Cholec80, a precisão online foi de 94,6%, e o Jaccard de fases — 82,7%. No AutoLaparo, os resultados são um pouco menores, mas também notáveis: 89,5% e 68,9%, respectivamente. Além disso, em uma única GPU, o modelo processa 312,88 quadros por segundo — com ampla margem para tempo real.
O Jaccard de fases aqui é mais importante do que a precisão comum: ele verifica o quanto os intervalos de fases previstos se sobrepõem aos verdadeiros. Isso é mais rigoroso com erros nas fronteiras, onde os sistemas geralmente mais erram.
Curiosamente, o mecanismo não funciona apenas em cirurgia. Se adicionarmos apenas a operação de rotação do estado a um Mamba2 padrão, ela melhora a métrica MQAR — a capacidade de extrair vários elementos vistos anteriormente de um contexto longo. A melhoria aparece justamente onde a limitação era o estado recorrente. Isso sugere que a reprogramação do estado resolve um problema mais geral de modelos recorrentes, e não apenas a tarefa de reconhecimento de etapas cirúrgicas.
