基于人工智能的解剖识别优化机器人胃切除术中外科医师决策的研究

《Gastric Cancer》：Artificial intelligence–based anatomical recognition improves surgeon decision-making during robotic gastrectomy

　　

摘要 基于人工智能（AI）的解剖识别技术已逐步用于支持术中认知，但除教学用途外其临床实用价值仍较有限。本研究旨在开发一种面向机器人远端胃切除术（RDG）胰腺上区淋巴结清扫的AI模型，并评估其在辅助外科医师术中决策方面的效用。研究人员采用67例RDG手术视频（训练集54例、测试集13例）构建深度学习模型，实现对胰腺、肝总动脉（CHA）、胃左动脉（LGA）及胃左静脉（LGV）的识别，并以交并比（IoU）评估模型性能。20名外科医师参与两项实验：实验1采用交叉设计，评估腹膜切开线选择质量，由3位专家按5分制评分；实验2评估CHA识别时间。结果显示，胰腺、CHA、LGA及LGV的IoU分别为0.66、0.28、0.216及0.232。混合效应模型分析表明，实验1中AI辅助较无辅助显著减少不安全腹膜切开线比例（评分1–2）（优势比0.25，95%置信区间[CI] 0.15–0.41，P<0.001），并使专家平均评分提高0.64分（95%CI 0.39–0.89，P<0.001）。实验2中，AI辅助使CHA识别时间缩短9.5秒（95%CI 2.20–16.81，P=0.0124）。该AI系统通过提升解剖识别能力，成功支持外科医师术中决策，有望提高手术安全性。

研究背景方面，胃癌是全球第五大癌症死因，尽管免疫检查点抑制剂等非手术治疗进步明显，根治性胃切除术仍是实现长期生存的主要手段。手术方式已从开腹演进至腹腔镜及机器人胃切除术（RG），后者凭借关节活动度、震颤过滤及稳定三维视野等优势提升了操作精度，但术后胰瘘、腹腔脓肿及出血等并发症发生率仍达7.7%–8.8%，不仅延长住院时间、增加医疗成本，还会影响肿瘤学预后。已有证据表明，超过半数的术中不良事件归因于人员表现缺陷，凸显提升外科医师术中认知能力的必要性。近年来，AI解剖识别多用于医学生教学，直接辅助外科医师的临床效用尚未充分验证，因此本研究在IDEAL框架第0阶段，开发针对RDG胰腺上区淋巴结清扫的AI识别模型，验证其对解剖识别和术中决策的支持作用。

关键技术方法方面，研究纳入日本金泽大学医院与庆应义塾大学医院的67例胃癌RDG手术视频，其中54例用于训练，13例用于测试。由认证消化外科医师标注胰腺、CHA、LGA及LGV轮廓并由专家复核。训练阶段采用空间变换、光度畸变及遮挡增强等综合数据扩增策略以防止过拟合。模型性能采用IoU评估。临床效用评估采用两项实验：实验1由20名外科医师在有无AI辅助条件下选择腹膜切开线并由三位盲法专家评分；实验2采用交叉设计，比较有无AI辅助下的CHA识别时间。统计分析采用混合效应模型及线性混合效应模型，显著性水平设为双侧P<0.05。

研究结果方面，AI模型解剖识别性能显示，胰腺、CHA、LGA及LGV的IoU分别为0.66、0.28、0.216及0.232。实验1结果中，三位专家评分者间信度良好（加权ICC单测0.639，平均测0.841）。AI辅助显著降低不安全切开线比例（OR 0.25，95%CI 0.15–0.41，P<0.001），并显著提高平均评分0.64分（95%CI 0.39–0.89，P<0.001）。实验2结果中，AI辅助使CHA识别时间缩短9.5秒（95%CI 2.20–16.81，P=0.0124），且无显著学习效应（β=-0.95秒/例，P=0.460），所有试验均正确识别CHA。

讨论部分指出，本研究首次在IDEAL第0阶段证实AI系统可在技术要求高的手术阶段支持外科医师术中决策，减少不安全操作并加快关键解剖结构识别。尽管血管类结构IoU偏低，但仍可带来临床获益，提示需制定针对手术AI的性能评价标准。局限性包括仅在录像环境中验证、专家评分主观性、分组未完全随机及缺乏外部数据集验证。结论为，该AI解剖识别系统可在RDG胰腺上区淋巴结清扫中辅助外科医师决策，提高安全性并促进关键结构早期识别，具备成为临床决策支持工具的潜力，后续需在前瞻性研究中进一步验证其对临床结局的影响。