腹腔镜胆囊切除术：手术动作评估与自动化模型的重要突破

《Surgical Endoscopy》：Automated surgical action recognition and competency assessment in laparoscopic cholecystectomy: a proof-of-concept study

为探索手术动作在腹腔镜胆囊切除术（LC）能力评估中的作用，研究构建模型，成果助力手术教育。

　　腹腔镜胆囊切除术（Laparoscopic cholecystectomy，LC）是一种常见的手术，有着标准化的步骤和经过验证的评估工具。然而，手术动作在能力评估中的作用尚未得到充分探索，且缺乏用于手术动作识别的自动化模型。

研究人员对包含 80 个 LC 手术视频的 Cholec80 数据集的 Calot 三角解剖（Calot’s Triangle Dissection，CTD）阶段进行了分析。评估了 Strasberg 的安全关键视野（Strasberg’s critical view of safety，CVS）评分以及逐秒的手术动作注释。根据能力水平和胆囊炎分级，这些视频被分为高简单、低简单和高复杂组。基于分组，数据集被随机分为训练集（66 个视频）和测试集（14 个视频）。研究人员比较了各亚组之间的手术指标，并构建了随机森林（Random Forest）模型，利用这些指标来预测能力水平。此外，还开发了视频掩码自动编码器（Video - Masked Autoencoders，VideoMAE）模型用于手术动作识别。

结果显示，高简单组的 CTD 持续时间明显更短，动作转换次数更少，吸引 / 冲洗、凝血和空闲动作的占比更低，但 CVS 评分和解剖动作的占比更高。随机森林模型在能力预测方面达到了 93% 的准确率（AUC：0.96），CVS 评分、CTD 持续时间以及解剖、凝血和暴露动作的占比是最重要的五个特征。VideoMAE 模型在识别手术动作方面的总体准确率达到 89.11%，其中解剖动作的召回率最高（0.97），吸引 / 冲洗动作的召回率最低（0.51）。

这项研究突出了手术动作在能力评估中的重要性，并提供了用于评估和动作识别的自动化模型。这些工具具有改变手术教育的潜力，能够通过提供客观且基于数据的反馈来助力技能提升。