라사나(LASANA) 데이터셋: 영상 기반 복강경 기술 평가를 위한 대규모 벤치마크

초록

본 논문은 4가지 기본 복강경 훈련 과제를 포함한 1,270개의 스테레오 영상으로 구성된 LASANA 데이터셋을 공개한다. 각 영상은 3명의 독립 평가자가 제공한 GOALS‑유사 전역 평점과 과제별 오류 여부(이진 라벨)로 주석이 달렸다. 자연스러운 기술 변화를 포착하기 위해 교육 과정 중 여러 차례 기록된 70명의 참가자를 포함하며, 참가자 단위로 학습·검증·테스트를 분리한 사전 정의된 데이터 스플릿을 제공한다. 또한, 기본 딥러닝 모델을 이용한 기술 점수 추정 및 오류 인식 벤치마크 결과를 제시한다.

상세 분석

LASANA 데이터셋은 복강경 기술 자동 평가 연구에 있어 가장 규모가 큰 공개 영상 데이터셋 중 하나로, 기존 JIGSAWS, ROSMA, AIxSuture 등과 비교했을 때 참가자 수·영상 수·다양성 모두에서 현저히 우수하다. 특히 58명의 의료학생과 12명의 임상의가 여러 차례(최대 6회) 기록된 점은 기술 향상 과정을 시계열적으로 분석할 수 있는 귀중한 자원을 제공한다. 주석 체계는 GOALS의 4개 차원(깊이 인식, 효율성, 양손 협응, 조직 다루기)을 5점 Likert 척도로 평가하고, 이를 합산한 총 GRS 점수를 산출한다. 평균 Lin’s CCC가 0.65 이상(원형 절단 제외)이라는 점은 평가자의 일관성이 비교적 높음을 의미한다. 오류 라벨은 과제별로 정의된 2~7개의 이진 항목으로 구성돼, 오류 인식 모델의 학습을 가능하게 한다. 그러나 오류 라벨이 발생 여부만을 기록하고 시점이나 빈도를 제공하지 않는 점은 세밀한 오류 진단에 한계를 만든다. 데이터 전처리는 영상 길이 제한(peg transfer 6분, 기타 10분)과 품질 검증을 거쳐, 불량 영상은 제외함으로써 데이터 품질을 확보했다. 스테레오 영상은 960×540 해상도, 20 fps, H.264 코덱으로 저장돼, 실시간 처리와 고성능 모델 학습 모두에 적합하다. 베이스라인 모델은 영상 프레임을 CNN으로 특징 추출 후 시계열 모델(LSTM/Transformer)로 통합해 GRS 점수를 회귀하고, 오류 라벨은 다중 라벨 이진 분류로 접근했으며, 제시된 성능은 향후 연구의 기준점이 된다. 데이터 스플릿은 “Leave‑Users‑Out” 방식으로, 동일 참가자의 영상이 학습·검증·테스트에 겹치지 않도록 설계돼 모델 일반화 평가에 신뢰성을 부여한다. 전체적으로 LASANA는 데이터 규모·주석 신뢰도·공개 스플릿·베이스라인 제공이라는 네 가지 핵심 요소를 모두 갖춘, 복강경 기술 자동 평가 분야의 새로운 표준이 될 잠재력을 지닌 데이터셋이라 할 수 있다. 다만, 현재는 4가지 기본 과제에 국한되고, 오류 라벨이 정량적·시간적 정보를 포함하지 않으며, 스테레오 영상이지만 깊이 정보 활용에 대한 명시적 가이드가 부족한 점은 향후 확장 및 보완이 필요한 부분이다.