五度妙笔
企业透视镜
API商城
数据库人工智能技术在胃癌微创外科术中的应用现状与前景
专家论坛
胃癌的发病率和死亡率均居全球恶性肿瘤第五位[1]。尽管近年来化疗、免疫治疗等系统治疗手段不断取得进展[2]，外科手术仍是为胃癌患者争取根治性疗效的核心方式[3]。笔者团队参与的CLASS系列研究已证实，胃癌微创外科手术在长期肿瘤学疗效上与传统开腹手术相当，同时兼具创伤小、疼痛轻、恢复快等显著优势[4]。然而，胃周血管分布复杂、淋巴引流路径多变，解剖结构个体差异明显[5]，使得胃癌微创手术的技术门槛较高，学习曲线较长[6-7]。因此，如何在缩短学习周期的同时提升术者操作安全性，已成为该领域亟待破解的关键问题。
近年来，人工智能（AI）技术发展迅猛，在外科领域展现出广阔的应用前景。通过对手术视频的自动化解析[8]，AI可有效完成术中导航、辅助决策、技能评估等复杂任务[9]。在胃癌微创外科中，AI已能够实现手术器械、解剖结构及转移病灶的精准识别，并可进行术中不良事件预警和视野智能去雾，从而辅助术者提升操作安全性[10-12]，降低因疲劳和视觉误差所致并发症的发生风险[13]。本文系统梳理了AI技术在胃癌微创外科手术中的研究与应用现状，深入分析当前面临的局限与挑战，以期为胃癌微创外科的智能化、精准化发展提供理论参考与实践指导。
在微创手术中，术者常面临深度感知复杂、操作空间受限和手眼协调困难等挑战，手术器械的实时检测技术可为术者提供器械的位置和姿态信息，辅助术者精确操控器械，从而提高手术的安全性和效率[14]。
Ping等[15]构建了涵盖胃、胰腺等多种手术场景的目标检测数据集，并采用YOLO（You Only Look Once）v3模型检测手术器械，总体精确率达89.6%。
Yamazaki等[16]使用YOLOv3模型对腹腔镜胃切除术中的手术器械进行实时检测和分类，发现平均精度均值（mAP）为83.8%；同时，该研究发现模型在部分器械上的识别精度偏低，可能由于胃癌手术中需同时识别多种器械的场景频现，对模型的定位和分类能力提出了更高要求。
针对此问题，Pan等[17]将双分类检测头（DBH）引入YOLO框架，开发了适用于复杂手术场景的多目标检测任务算法——DBH-YOLO，该算法在腹腔镜胃癌手术器械定位数据集上的mAP高达95.6%。
此外，手术器械识别技术还可通过分析不同水平医生的器械使用模式及运动轨迹，实现手术技能自动化评估[18]。Yamazaki等[19]以是否通过内镜手术技能认证系统（ESSQS）作为分类标准，将不同技能水平医生操作的腹腔镜胃切除手术视频分为合格组和不合格组，并采用YOLOv3模型分析两组视频中的器械使用模式，发现器械使用方式与技能水平存在相关性。
Matsumoto等[20]采用基于Deeplabv2开发的语义分割模型识别腹腔镜远端胃切除术视频中超声刀尖端坐标，进而分析不同水平术者的器械尖端运动学差异，结果显示，相较于新手外科医生，专家组的器械尖端总移动距离更短，波动指数β值更高，提示其操作更具高效性与规律性。
Strong等[21]使用Deeplabv3+模型分析了不同水平的医生在机器人远端胃切除术幽门下淋巴结清扫过程中的器械使用情况，结果显示不同水平的医生器械使用时长存在显著差异。上述研究共同表明，基于AI的器械识别技术在胃癌外科手术实时技能评估中展现出良好的应用潜力。
胃癌手术通常涉及多个操作环节，自动化识别手术阶段有助于实现手术流程监测与复杂度评估，并为术中决策提供信息支持[22-23]。阶段识别模型还可自动解析手术视频、检索关键操作片段，在外科教育与技能评估中具有重要价值[24-25]。Takeuchi等[23]将机器人远端胃切除术分为10个阶段：准备、胃网膜左淋巴结清扫、幽门下淋巴结清扫、十二指肠上淋巴结清扫、十二指肠离断、胰腺上区淋巴结清扫、小弯侧淋巴结清扫、胃体离断、重建、清扫后至手术完成。
该团队开发的多阶段时序卷积网络（TeCNO）模型识别手术阶段的准确率达87.0%；此外，该模型可通过计算第1~3阶段的时长来评估手术复杂度，预测术中出血及并发症的受试者操作特征曲线下面积（AUC）为85.9%，表明其具备自动化复杂度评估能力。
Strong等[26]将机器人远端胃切除术同样分为10个阶段，包括准备、左侧网膜游离、右侧网膜游离、十二指肠游离、胰腺上区淋巴结清扫、小弯侧淋巴结清扫、胃体离断、Roux-en-Y重建、毕I式重建及重建后步骤，并基于双中心数据训练TeCNO模型，识别手术阶段的总体准确率为86.0%；进一步研究发现，单中心模型在外部中心评估时性能显著下降，提示不同中心手术流程差异对模型泛化性具有一定影响，也凸显了多中心数据在模型训练中的重要性。
Komatsu等[27]将腹腔镜远端胃切除术分为9个阶段：准备、左侧胃大弯淋巴结清扫、右侧胃大弯淋巴结清扫、十二指肠离断、胰腺上区淋巴结清扫、小弯侧淋巴结清扫、胃体离断、重建、重建后至手术完成。该团队构建了多中心数据集，基于EfficientnetB7开发的手术阶段识别模型总体准确率达88.8%。该研究还依据ESSQS技能评分将视频分为高分组与低分组，通过计算实际术野与标准化术野的相似度［即AI置信度评分（AICS）］评估手术技能，结果显示高分组在胰腺上区淋巴结清扫阶段的AICS显著优于低分组，验证了手术阶段识别模型在术者技能评估中的可行性。
Yoshida等[28]将腹腔镜远端胃切除术划分为5个阶段：胃大弯淋巴结清扫、十二指肠离断、胃小弯淋巴结清扫、胃离断、重建至手术结束，基于上述阶段并利用Xception骨干网络开发的手术阶段识别模型总体准确率达95.2%；这一结果也反映出，手术阶段划分越细，对AI模型识别精度的要求亦越高。
相较于上述研究主要聚焦远端胃切除术，Zhai等[29]构建了涵盖近端、远端、全胃及保留幽门胃切除术等多术式的腹腔镜胃癌手术视频数据集，将手术过程统一划分为8个阶段：准备、游离胃大弯、游离胃远端、游离胃小弯、游离胰腺上缘、游离胃近端、消化道重建、手术结束，基于上述阶段开发的VTR-Net模型识别准确率达90.2%，表明该模型在不同术式场景下均具备良好的手术阶段识别能力，也证实了开发跨术式通用手术阶段识别模型的可行性。
综上，当前研究在手术阶段划分、模型架构及数据来源等方面存在差异，模型性能亦受阶段定义和评估方式的影响。表1汇总了AI技术识别胃癌微创外科手术阶段代表性研究的主要特点与局限性。
表1 AI技术识别胃癌微创手术阶段的代表性研究概况
在胃癌淋巴结清扫过程中，胰腺作为关键解剖标志，是术者定位和操作的重要参照。术中通常以胰腺为基准，沿其表面游离胃周血管，显露血管鞘外层面，进而完成各组淋巴结清扫。借助AI技术，术者可识别血管、胰腺及疏松结缔组织等关键解剖结构，提升淋巴结清扫的安全性与彻底性，同时降低术中组织损伤及并发症风险[30-32]。
在胃癌根治性手术中，彻底的淋巴结清扫要求充分游离并显露胃周血管，同时完整切除血管周围的淋巴脂肪组织。然而，胃周血管分支多、解剖变异复杂，增加了术中血管损伤的风险。基于AI的术中胃周血管识别技术，有助于提升淋巴结清扫的效率与安全性[33-35]。
Chen等[36]基于Deeplabv3+框架开发了胃周血管分割模型，可识别D2淋巴结清扫范围内的主要血管，包括腹腔干、胃左动静脉、胃右动静脉、脾动静脉、胃网膜左动静脉、胃网膜右动静脉、门静脉、肝总动脉及肝固有动脉。
结果显示，该模型在静态图像中分割动静脉的Dice系数分别为96.2%和88.9%，在动态视频中分别为76.3%和72.8%，显示出良好的应用潜力。值得注意的是，模型训练所采用的数据主要来源于已充分显露后的血管图像，其在淋巴结清扫过程中对血管动态解剖阶段的实时识别能力仍有待进一步验证。
胰腺与胃的解剖关系密切，是胃癌淋巴结清扫过程中的重要解剖参照器官。然而，由于胰腺实质与周围脂肪组织之间的界限不清，在进行淋巴结清扫时易损伤胰腺导致胰瘘的发生[31]。借助AI技术，可在术中实时追踪胰腺轮廓、识别胰腺实质，进而减少因术者认知错误导致的术中损伤。
Sato等[37]基于Mask-R-CNN开发的模型可识别胃癌微创外科手术图像中的胰腺轮廓，交并比（IoU）为70.8%，但由于胰腺和周围脂肪具有相似的视觉特征，该模型仍存在一定的胰腺误识别问题。Aoyama等[38]对腹腔镜胃癌根治术图像中的胰腺、胰前脂肪组织、横结肠系膜、肠道、胃系膜、血管、大网膜和其他脂肪组织进行了精细标注，开发的HyperSeg模型能有效减少对胰周脂肪组织的误判，识别胰腺实质的Dice系数为70.0%。Nakamura等[39]则对机器人辅助胃癌根治术图像中的胰腺实质进行了像素级的语义分割标注，基于HRNet算法开发的模型展现出区分胰腺实质（包括发生脂肪浸润、形态变异的胰腺）和周围脂肪组织的潜力，但由于模型训练使用的数据较少，模型识别胰腺的Dice系数仅为61.0%。
此外，胰腺识别技术在外科教学中也展现出应用价值。Nakao等[40]评估了Eureka手术辅助系统——一种可在机器人及腹腔镜手术视频中高亮显示胰腺轮廓的系统，在医学生识别胰腺实质教学中的效果，结果表明AI辅助技术能够有效提升医学生对术中复杂解剖结构的识别能力。
胃系膜淋巴结与所附着的动脉鞘之间存在可分离的疏松结缔组织层[38]，准确识别并完整分离这一组织平面是胃系膜解剖手术的重要基础，不仅有助于改善患者的远期肿瘤学疗效，也有利于减少术中出血和组织损伤[39]。借助AI技术对疏松结缔组织进行高亮显示，可在术中辅助术者辨认关键解剖平面，降低因操作失误导致的不良事件发生率[41-42]。
Kumazu等[41]基于U-net开发了针对机器人辅助胃切除术中胰腺上区淋巴结清扫时血管鞘外疏松结缔组织的分割模型，平均Dice系数为54.9%，初步验证了AI识别精细解剖结构的可行性。该团队进一步构建了涵盖胃癌根治术、结直肠手术及疝修补术等多种术式的数据集，并对U-net与Deeplabv3模型进行改进，但改进后模型的Dice系数降至46.0%，低于原模型[43]。
推测可能的原因：扩展后的数据集涉及更为复杂的手术场景，其中易于与疏松结缔组织混淆的解剖结构增多，从而加大了模型的分割难度。此外，前述的Eureka系统亦被用于疏松结缔组织的分割。Okumura等[44]评估了该系统在指导学生区分胰腺实质与脂肪组织界限中的教学效果，结果显示该模型有助于增强学生对局部解剖结构的理解，缩短学习曲线。
腹腔种植转移是胃癌患者复发及死亡的重要原因之一，约14%的进展期胃癌患者在初次诊断时已存在腹腔种植转移[45]。腹腔镜探查可准确、及时发现腹腔种植转移灶，是进行精准肿瘤分期和个体化治疗决策的重要依据[46]。
Schnelldorfer等[47]开发的计算机辅助分期腹腔镜（CASL）系统可用于识别腹膜转移病灶，精确率和召回率分别为64.0%和63.0%；该系统还具备区分腹膜病灶良恶性的能力，分类准确率达73.0%。Tozzi等[48]融合腹膜病变的视觉图像与形态特征，构建了多模态机器学习（MML）模型，其鉴别良恶性病灶的准确率为74.0%，AUC达0.88，优于外科专家（AUC为0.78）。
笔者团队[11]基于5111帧胃癌腹腔种植转移病灶手术图像，开发了AI腹腔镜探查系统（AiLES）。该系统可在术中识别不同转移程度（单发、多发及广泛转移）和不同转移部位（腹膜、大网膜、肠系膜、肠壁、肝脏表面、子宫表面）的腹腔种植转移灶，平均Dice系数为76.0%，识别速度达11帧/s。尤其对于腹膜单发病灶、微小病灶及肠系膜病灶等术中易漏诊的类型，模型仍表现出良好的识别性能。该结果表明，AiLES可辅助术者识别易被忽略的转移灶，有助于降低肿瘤分期低估的风险，指导个体化治疗策略的制定。
术中出血量是评估手术安全性及影响患者预后的重要指标[49]，快速、准确评估失血量有助于术者及时制定合理的临床决策[50]。目前临床常用的评估方法主要依赖纱布和吸引瓶称重法，但操作较为繁琐，难以在术中实时动态监测出血量[51]。Yoon等[52]开发了一种基于AI的术中出血量估计算法。该算法首先通过卷积神经网络提取术中纱布图像的视觉特征，并利用纹理分析技术提取纱布褶皱特征，随后融合两类特征进行出血量预测。
研究团队以动物实验中采集的纱布图像训练模型，并在前瞻性收集的胃癌手术纱布图像数据集上验证其性能。结果显示，该模型在真实手术场景中对失血量评估的平均绝对误差为0.25 g，平均绝对百分比误差为7.3%。上述研究表明，AI技术可在实际手术环境中实现对术中失血量的有效评估，为术中的液体管理及输血决策提供有价值的参考依据。
术后吻合口漏是胃癌手术中较为严重的并发症，直接影响患者的生活质量和长期预后[53-54]。该并发症的发生受多种围术期因素的影响，其中手术操作相关因素，尤其是吻合口血供不良与张力过大，被认为是导致吻合口漏的关键技术性原因[55]。因此，若能在术中及时识别高风险吻合口并采取相应干预措施，有助于降低该并发症的发生风险[56]。
Park等[57]基于三家医疗机构收集的腹腔镜胃癌根治术视频，提取了十二指肠残端和食管空肠吻合口的图像并构建了相应数据集。基于该数据集开发的ResNet18模型预测十二指肠残端漏和食管空肠吻合口漏的召回率分别为84.7%和80.0%，F1分数分别为63.6%和69.4%，初步验证了利用术中手术图像预测吻合口漏的可行性。
在胃癌微创外科手术中，电刀、超声刀等能量器械的使用会产生大量手术烟雾，遮挡组织细节，降低术中成像质量，进而影响手术操作的连续性与安全性。目前临床虽可采用无阀穿刺器持续排烟，但排烟速度较慢，难以快速清除术野内的浓密烟雾[58-59]。AI技术为术中烟雾去除提供了新的解决思路。
笔者团队联合哈尔滨工业大学构建了涵盖真实胃癌手术场景中多种复杂烟雾形态的腹腔镜手术视频去雾（LSVD）数据集，并基于此开发了自监督手术视频去雾（SelfSVD）模型[12]。该模型的峰值信噪比为24.23 dB，结构相似性指数达62.2%，表明模型在有效去除烟雾的同时能够保留更多的真实解剖结构细节，性能优于当前主流的视频去雾模型。此外，轻量化版本的SelfSVD模型在参数更少、计算成本更低的情况下仍保持良好去雾效果，进一步增强了其在临床实际应用中的可行性与实用性。
当前胃癌手术AI研究大多采用监督学习方法，模型训练高度依赖高质量标注的手术视频数据[60-61]。然而，胃癌微创手术视频解剖结构复杂、信息量大，目前尚缺乏可自动标注的专业工具，仍需依赖医学专家的人工标注，导致人力与时间成本高昂，构建大规模、高质量的公开数据集面临巨大挑战[10]。受此限制，多数AI模型仅基于单中心数据开发，缺乏外部中心的有效验证，其泛化性能难以得到可靠评估[62]。
在具体应用层面，手术器械识别模型在真实术中复杂环境下的鲁棒性仍有待验证。现有研究多基于视野清晰、镜头稳定、器械暴露充分的视频或图像开展训练与测试，而术中出血、烟雾遮挡、镜头污染、反光、运动模糊及器械相互遮挡等情况，均可影响模型对器械位置、尖端及操作状态的准确识别[10,15-17,60]。
手术阶段识别模型易受术式差异、操作顺序变化和术中突发事件的影响，若仅依据固定流程训练，则使模型难以适应复杂或非标准化的手术场景[23,26-29]。解剖结构识别模型同样面临脂肪覆盖、组织牵拉、出血遮挡、解剖变异及目标结构微小等挑战，制约了其识别稳定性和临床可靠性的提升[11,36-41,43,47-48]。
在不良事件评估及预测方面，术中失血量、吻合口漏等结局受患者基本情况、肿瘤位置、局部组织条件、吻合口血供、术者操作水平及围术期管理等多重因素的影响，单纯依赖手术图像可能无法全面刻画其风险形成过程[52,55-57]。智能去雾技术虽有助于改善烟雾遮挡下的手术视野，但仍需关注图像增强算法是否会削弱组织边界、血管走行等细节，甚至产生影响术者判断的视觉伪影[12,58-59]。因此，相关模型不仅应追求图像质量或预测性能指标的提升，还需进一步验证其对真实临床决策和手术安全性的实际影响[60,63-64]。
不同AI算法在胃癌微创外科中的适用场景各具特点。以YOLO为代表的目标检测模型具有推理速度快、实时性良好的优势，适用于手术器械和解剖结构的快速定位，但在器械遮挡、目标微小及复杂背景下其识别的稳定性可能有所下降[15-17]。DBH-YOLO在YOLO框架中引入双分类检测头，体现了针对复杂手术场景中多目标检测任务的优化[17]。
U-net、Deeplabv3+、Mask-R-CNN和HRNet等分割模型能够提供像素级结构的识别，适用于血管、胰腺和疏松结缔组织等精细解剖结构标注，但其对高质量标注数据依赖性较强，且在动态视频中的稳定性仍需验证[36-41,43]。
TeCNO、VTR-Net等时序模型可结合手术流程信息，适用于手术阶段识别和复杂度评估，但易受术式差异、阶段定义和手术操作顺序变化的影响[23,26,29]。
因此，现有研究中mAP、Dice系数和准确率等指标差异不宜简单归因于算法优劣，还与数据集规模、图像质量、标注标准、病例来源、任务定义和评估方法的异质性相关[60-61]。未来有必要建立面向胃癌微创外科的标准化数据集、统一标注规范和公开评估基准，以更加客观地比较不同算法的真实性能和临床应用价值[60-61,64]。
在外科教育和技能评估方面，AI目前多用于提取器械使用时间、器械运动轨迹、术野显露质量及解剖结构识别准确性等量化指标[19-21,27,40,44]。此类指标有助于客观描述术者操作特征，但能否全面反映手术决策能力、组织牵拉力度、解剖层面选择及并发症处理水平等仍有待验证。现有研究鲜少系统比较AI评分与传统带教老师、专家评审或ESSQS等成熟评价体系之间的一致性[19,21,27]。因此，未来应通过多中心、前瞻性研究评估AI技能评价结果与专家评价结果的相关性和一致性，进一步明确其在外科培训、资格考核和手术质量改进中的实际应用边界[60,64]。
AI在真实手术环境中的部署还面临多种现实约束。外科手术场景的复杂性和即时性要求模型能快速处理视频图像数据并提供实时反馈，这对模型的推理速度和硬件算力提出了更高要求[62]。未来可通过模型轻量化、边缘计算和专用硬件加速等方式降低计算负担，并在真实手术视频中验证模型的延迟和稳定性。
此外，医疗决策对可解释性具有内在要求，而深度学习模型的“黑箱效应”导致其可信度和可靠性受到质疑[63,65]。因此，AI系统应提供识别区域高亮、置信度评分和错误提示等信息，帮助术者判断模型输出是否可靠，从而提高AI技术的可交互性，为模型提供稳定的反馈显示路径，防止其干扰正常的手术流程[65]。在胃癌微创手术这一高风险实时场景中，应坚持“医生主导、AI辅助”的原则，以降低模型误判对关键手术决策的潜在影响。
此外，AI在胃癌微创手术中的应用还需直面伦理挑战[64,66]。隐私保护是最为核心的伦理关注点，开发高性能AI模型需大量视频图像数据，必须在数据清洗过程中确保彻底脱敏，并在使用全程落实防泄漏保护机制[67-69]。AI算法的公平性同样构成重要伦理议题。现有训练数据集普遍存在规模有限、人群代表性不足、来源单一等问题，可能导致模型在不同患者群体、不同医疗机构间诊断一致性降低，甚至对临床决策的可靠性产生不利影响[66,68]。
尽管AI技术在胃癌手术的术中导航、智能感知、辅助决策和外科教育等方面展现出了广阔的应用前景，但要实现在临床的部署仍然任重道远。在数据采集和标注方面，亟需制定公开、统一的标注协议，以保证标注数据的质量，同时应建立有效的数据治理框架，在隐私安全保护与数据共享利用之间取得平衡。
在模型创新方面，应着力开发具备可解释性的AI模型，持续优化其性能表现，以增强外科医生对AI系统的信任度。在模型普适性方面，应积极推动跨医院手术视频数据的整合，建立大规模、多中心数据集，从而提升模型的识别精度和泛化能力。
随着高质量数据集的积累和适配算法的开发，AI技术在胃癌微创外科手术中的应用将更加广泛和深入，有望逐步融入术前规划、术中质量控制、术后预后预测及外科教育培训等全流程环节。
未来，基于实时视频分析的术中质量控制系统有望实现对手术阶段、关键解剖结构、器械操作及潜在风险的连续监测，以便为术者提供更及时、精准的辅助决策支持；基于手术视频和操作行为的数字化档案，可用于记录外科医生的技能成长轨迹，为规范化培训和客观考核提供依据；进一步结合术前影像、临床资料及术后结局数据，有望形成覆盖“术前评估-术中导航-术后预测”的闭环智能诊疗体系。
由此，AI不仅将成为外科医生的重要辅助工具，更有望推动胃癌外科从经验驱动向数据驱动、从单一维度辅助向全流程智能管理转变，为更多患者提供更加精准、安全和同质化的外科治疗。
参考文献
第一作者
通信作者
转自：协和医学杂志
