AI辅助腹腔镜供肝右叶切除术中实时导航系统的多中心验证研究：提升微创肝切除手术安全性

本研究针对微创肝切除手术(MILS)学习曲线陡峭、血管损伤风险高的临床难题，开发了基于深度学习的AI实时导航系统。研究人员采用U-Net架构结合Mix Transformer编码器，利用48例纯腹腔镜供肝右叶切除术(PLDRH)视频数据，实现了血管结构(VS)和无血管平面(AP)的实时分割，内部验证Dice相似系数(DSC)分别达0.687和0.659，外部验证显示良好泛化能力。该技术为复杂肝切除术提供了直观的术中导航方案，有望降低手术风险并缩短学习曲线。

　　

在肝脏外科领域，微创手术技术虽已发展三十余年，但全球范围内微创肝切除手术(MILS)的普及率仍显著低于其他腔镜手术。这种技术壁垒主要源于两个关键挑战：复杂多变的肝门区血管解剖结构，以及需要在高风险区域精确识别无血管分离平面。据统计，即使是经验丰富的外科医生，在开展纯腹腔镜供肝右叶切除术(PLDRH)时，平均需要完成40-60例手术才能跨越学习曲线。更令人担忧的是，在右肝游离过程中，约15%的病例会发生不同程度的血管损伤，其中对膈静脉(PV)和下肝静脉(IHV)的误伤尤为常见。

针对这一临床痛点，三星医疗中心(Samsung Medical Center)联合明知医院和岭南大学医疗中心的研究团队，在《Scientific Reports》发表了一项突破性研究。该团队创新性地将人工智能技术引入手术导航领域，开发了首个能同时识别血管结构和无血管平面的实时分割系统。研究采用多中心设计，收集了48例PLDRH手术视频，从中提取4123帧图像构建训练集，通过五折交叉验证和外部验证相结合的方式，全面评估了模型的临床适用性。

研究采用的核心技术方法包括：1)基于U-Net架构的深度学习模型，创新性地采用Mix Transformer(MiT)编码器增强特征提取能力；2)严格的多中心数据采集策略，样本来自三家医疗中心的48例PLDRH手术视频；3)由肝胆外科专家和专职手术记录员组成的双重标注体系，确保标注质量；4)实时性能优化，模型在RTX 3060显卡上达到83帧/秒的处理速度。

【数据收集】
研究团队建立了包含48例手术视频的多中心数据库，其中40例来自三星医疗中心，8例来自其他两家合作医院。所有视频均聚焦右肝游离过程，每10秒提取一帧图像，确保覆盖手术全过程的关键解剖结构。

【内部验证】
采用严格的五折交叉验证，模型对血管结构的平均DSC达到0.687(标准差0.21)，无血管平面为0.659(标准差0.19)。值得注意的是，模型在识别易被忽视的膈静脉和肝短静脉方面表现出色，召回率分别达到0.729和0.744。

【外部验证】
在未参与训练的8例手术数据上，模型展现出良好的泛化能力，血管结构和无血管平面的DSC分别为0.649和0.646。视觉评估证实，模型在前冠状韧带分离、后冠状韧带分离等关键步骤中均能提供准确导航。

【视觉评估】

【标注差异分析】

这项研究标志着AI辅助手术导航技术的重要突破。从临床角度看，该系统的实时性能(83FPS)完全满足手术需求，其多中心验证结果也证实了技术的普适性。特别值得关注的是，模型在血管结构识别上表现出的"超标注"能力，暗示AI可能捕捉到人类专家容易忽略的细微解剖变异。从技术角度看，研究团队采用的Mix Transformer编码器，通过融合局部和全局特征，显著提升了在复杂手术场景下的分割精度。

然而，研究也暴露出若干待改进之处。首先是标注质量问题，血管结构的低精确度(0.334)主要源于人工标注的遗漏，而非模型缺陷。其次，当前研究仅聚焦PLDRH，模型在其他肝切除术式中的表现仍需验证。最后，虽然技术可行性得到证实，但真正的临床效益还需通过前瞻性试验评估。

展望未来，这项技术可能从三个方向深化发展：一是开发多模态系统，结合吲哚菁绿荧光成像等补充信息；二是建立自适应机制，使模型能根据不同术者的操作习惯进行优化；三是探索开放式手术中的应用可能，这需要解决视角变化和照明不均等新挑战。随着这些技术的成熟，AI辅助导航有望成为肝切除手术的"标准配置"，从根本上改变复杂肝脏手术的教学和实施模式。