本文介绍了一种基于医学图像的手术问答系统，结合视觉和文本模型，验证其在手术程序问卷中的应用。研究探讨了多模态表示学习、手术视频分析及机器人辅助手术的自治性，提出了新方法和框架，以提高手术技能训练和器械分割性能。