人工智能在腹腔镜手术中的研究应用与展望

人工智能在腹腔镜手术中的研究应用与展望

高振元1贾彦疆2,徐志杰3

身份证号：372926198312076333

1、身份证号：120101197003153012

2、身份证号： 50010319970504151X 

摘要：腹腔镜手术被越来越多地应用在各手术科室，如泌尿外科、普通外科、妇科等。腹腔镜手术相较传统开放手术不仅具有显著的微创效果，而且具有感染风险小、术后康复快、住院时间短等优点。由于计算机性能与硬件的提高，腹腔镜手术视频资料以一种数据形式灵活储存在服务器中，可供医生回顾查看与分享。随着大数据时代的来临，许多数据被用以发现、分析与解决问题,丰富的腹腔镜视觉数据也不例外。而人工智能是最擅长通过数据分析解决问题的技术，因此可能推动临床上腹腔镜手术的发展。近年腹腔镜手术依靠人工智能技术取得了巨大的进步，本文现就人工智能技术在腹腔镜手术中的研究应用与进展作一综述。

关键词：人工智能；腹腔镜手术；应用展望

1人工智能的概述

在信息爆炸的时代背景下，日渐丰富的电子化产品逐渐进入我们每个领域，这不仅体现在人们的日常生活中，在医疗保健方面尤为明显。电子化医疗服务的模式并不是新生模式，计算机辅助诊断实践在医学上已经使用40余年。然而，如何确保将大数据转化为可操作的运算算法，对于计算机辅助医学诊断来说仍然是一个重大挑战。

1937年，AlanTuring开创性地提出了“通用计算机”(universalcomputingmachine)这一说法，随后McCarthy对“人工智能”(artificialintelligence,AI)这一提法展开了探讨，并认为人工智能是能使机器完成人类所给予指令的一类运算算法。自1998年以来，在医学领域人工智能方面发表的论文数量呈指数级增长。现如今，人工智能更是以不同的呈现形式存在于临床医疗工作中，包括图像识别、信息同步、医学机器人以及互联网医院等。

人工智能是一个宽泛而抽象的概念，它包括一系列模拟人类大脑日常行为的计算运行系统及相关工具，如解决问题、推理逻辑、模式识别和知识获取等。目前，人工智能主要包括机器学习(machinelearning,ML)和深度学习(deeplearning,DL)两大类，其中机器学习包括监督式学习、无监督式学习、强化学习方法。监督式学习是目前机器学习应用中最常用的方法。而深度学习是一个具有多个层次表示的运算算法，通过获得组成简单但非线性的模块，每个模块将一个层次(从原始输入开始)的表示转换为一个更高的、稍抽象的层次的表示。在一定程度上来说，其本质是特征提取，即通过组合低层次的特征，形成更加抽象的高层表示，以达到最佳特征的目的，它主要通过神经网络来模拟人的大脑学习过程，以期实现对现实对象或数据(图像、语音及文本等)的抽象表达，整合特征抽取和分类器到一个学习框架下。

2人工智能在腹腔镜手术中的研究应用

2.1手术器械的分割与检测

手术器械的分割、检测和跟踪是计算机辅助手术系统的重要组成部分。由于腹腔的特殊背景，如高光反射、模糊、手术器械的运动伪影等，这是一个困难的挑战。许多学者在CNN的帮助下成功地解决了这个问题，这也是目前最广泛的研究方向。

基于u-net架构的手术器械分割模型的性能优于经典的u-net模型，其交集和并行比高达0.8645。四种分割模型用于分割手术器械，即u-net、ternausnet-11、Ternausnet-16和linknet-34模型。其中，ternausnet-16的性能最好，交并比为0.8630，骰子系数为0.9001。u-netplus架构用于在腹腔镜图像中分割手术器械。结果表明，其体系结构优于最先进的ternausnet框架。

Yolov3检测模型是目前性能良好的目标检测算法之一，其名称表示“你只看一次”。基于yolov3检测模型，从52个腹腔镜胃切除术视频中提取10716幅图像，用于模型训练。一种新的自动系统已成功开发并验证，用于检测腹腔镜胃切除术中的手术器械。

2.2手术阶段的识别

识别腹腔镜手术的不同阶段是一个重要的研究课题，它具有多种功能，如技能评估、教学场景的自动选择、实时工作流的识别，以及向手术室外的临床工作人员提供手术进展信息。然而，目前，手术阶段的识别是手动操作，容易出错和延迟。

分析了88例腹腔镜袖式胃切除术的视频。视频分为七个步骤：（1）端口放置；（2）肝牵引；（3）肝活检；（4）胃结肠韧带解剖；（5）胃吻合；（6）袋装标本；（7）钉线的最终检查。识别测试集中操作步骤的准确度为82%，最大值为85.6%。这表明腹腔镜手术视频可作为术中临床决策支持、风险预测或结果研究的定量数据源。

基于腹腔镜乙状结肠切除视频的自动手术阶段识别深度学习模型。他们使用的数据集包括71例腹腔镜乙状结肠切除术病例，所有病例均被手动分为11个手术阶段（阶段0-10）。手术阶段的自动识别准确率为91.9%，其中体外运动和洗涤操作运动的自动识别正确率分别为89.4%和82.5%。结果表明，该系统能够高精度地识别自动手术阶段和目标手术动作。

2.3手术操作的分类

外科手术是外科手术的一般活动，涉及一个或多个器械。手术完成后，计算机辅助的手术后分析可以给操作者带来一定的优势。手术过程是手术过程中最关键的部分，例如，在寻找特定的手术阶段时，可以将其视为主要目标。因此，CNN对外科手术的分类可以帮助操作者进行外科分析。

静态和动态内容描述符用于评估和识别16类外科手术（建立腹部通道、注射、切割、钝性分离、组织烧灼、引流和冲洗、凝固、抽吸、针定位、针穿刺、打结、固定钢丝结、线切割、悬吊、放置和移除内窥镜取回袋）。前者只考虑单个图像，而后者考虑场景中的运动。结果表明，静态描述符实现了最高的整体性能，但对于特定类型的外科手术，动态描述符更为独特。

基于8种外科手术（引流冲洗、缝合、冷切割、高频切割、钝性分离、子宫悬吊、凝固和注射）的神经网络训练和识别证明，这些类别具有明显的特征。其中，缝合手术似乎是迄今为止最可预测的，准确率为0.968。

基于CNN，研究了妇科手术视频镜头的单帧分类模型。他们从头训练了两种不同的CNN架构，alexnet和googlenet，用于外科手术和解剖结构分类。他们使用googlenet实现的召回率分别为0.782和0.617；使用alexnet，召回率分别为0.469和0.615。此外，他们还从alexnet中提取高级特征，并将其用于训练SVM分类器。解剖结构分类和手术操作的召回率分别为0.697和0.515。

2.4运行时间预测

在当今医疗资源紧张的环境下，为了保证手术的顺利进行，有必要准确分配手术室的时间和手术人员的时间。因此，手术室的使用计划不能改变。手术时间超过手术前的预计时间可能会导致后续手术延迟甚至取消，从而给患者和手术团队带来不便。手术过程往往不可预测，因此很难提前估计腹腔镜手术的持续时间。这种不确定性使得安排手术变得困难。为了解决这一问题，CNN凭借其强大的能力直接从腹腔镜视频数据中预测手术时间。

结论

人工智能技术已广泛应用于腹腔镜手术，尤其是手术器械和解剖结构的分类和分割。可以看出，虽然人工智能技术在多个方向的应用所获得的结果可以起到一定的作用，但模型的精度还需要进一步提高。借助人工智能技术，丰富的腹腔镜手术数据可用于外科教学、改善医疗环境和优化医疗资源。尽管人工智能在腹腔镜手术中的应用具有巨大潜力，但我们也需要认识到其局限性。数据的缺乏、道德问题以及模型的优化和可解释性一直是必须关注的问题。各种形式的人工智能技术已显示出其超越人类的性能，但它们缺乏更高层次的背景知识，无法建立像人脑那样的联系。因此，未来人工智能的发展离不开医生，医生的工作也将与人工智能密切相关。

参考文献：

[1]顾荣.大数据处理技术与系统研究[D].南京：南京大学，2016.

[2]叶清，刘迅，周晓梅，等.健康医疗大数据应用存在的问题及对策探讨[J].中国医院管理，2022，42:83-85.