编辑推荐：
白内障是全球致盲主因，LMICs 因基础设施等限制手术效果差。本研究针对 SICS 缺乏自动化分析问题，开发 MS-TCN++ 模型，在 SICS-105 数据集上实现 85.56% 准确率，为 SICS 术后分析和培训提供新工具，推动 AI 在眼科手术应用。
在全球范围内，白内障是导致失明的首要原因，且其负担存在显著的地域不平等 —— 在低中收入国家（LMICs），白内障致盲率约为其他地区的 10 倍。LMICs 由于基础设施薄弱、培训资源有限以及并发症管理不足等问题，白内障手术的效果往往不尽如人意。传统的手术视频评估依赖人工分析，耗时耗力，难以在资源匮乏的 LMICs 推广。因此，开发自动化的手术视频分析技术，对于提升 LMICs 的白内障手术质量、降低医疗成本具有迫切的现实需求。
为了填补手动小切口白内障手术（SICS）自动化分析的空白，德国波恩大学医院、波恩大学与印度 Sankara 眼科医院、微软研究院印度分院的研究团队开展了相关研究。他们构建了首个公开的 SICS 视频数据集 SICS-105，并利用深度学习模型 MS-TCN++（多阶段时间卷积网络）进行手术阶段识别，同时与超声乳化白内障手术（Phacoemulsification）的公开数据集 Cataract-101 进行对比，相关成果发表在《Scientific Reports》。
研究团队采用了以下关键技术方法：首先，在印度 Sankara 眼科医院招募 105 例患者，通过数字显微镜记录 SICS 手术过程，由四位眼科医生标注 20 个手术阶段，构建 SICS-105 数据集，该数据集包含手术视频、阶段标注等，可通过 Zenodo 存储库公开获取。其次，使用 MS-TCN++ 模型进行训练和验证，该模型结合交叉熵损失和均方误差损失函数，通过 7 折交叉验证优化超参数，并提取 I3D 特征作为输入。最后，通过帧级准确率、编辑距离、F1 分数、ROC-AUC 等多种指标评估模型性能。
研究结果
模型性能优化与对比
在 Cataract-101 数据集上，当损失函数权重参数 λ=0.35 时，MS-TCN++ 模型表现最佳，准确率达 89.97%（95% CI 86.69–93.46%），ROC-AUC 为 99.10%（95% CI 98.34–99.51%）。与其他研究相比，该模型在多个指标上具有竞争力。在 SICS-105 数据集上，通过合并部分阶段（从 20 阶段合并为 13 阶段），模型准确率提升至 85.56%（95% CI 80.63–92.09%），ROC-AUC 为 98.26%（95% CI 97.16–99.41%）。尽管 SICS-105 的准确率略低于 Cataract-101，但编辑距离等指标表现相近。
影响性能的因素分析
研究发现，手术视频长度与预测性能呈显著负相关。SICS-105 数据集的平均手术时长为 12 分 57 秒，长于 Cataract-101 的 8 分 20 秒，且阶段数量更多（20 vs 10），这可能是导致模型在 SICS 上性能稍低的原因。此外，部分阶段（如 “侧切口”）因持续时间短、训练样本少，PR-AUC 仅为 45.20%。
计算效率与数据可用性
特征提取和模型训练的计算效率方面，在 NVIDIA TITAN X 显卡上，Cataract-101 的 I3D 特征提取耗时 20 小时，SICS-105 为 26 小时；模型训练时间分别为 1 小时 57 分钟和 2 小时 2 分钟。研究团队公开了 SICS-105 数据集及相关代码，为后续研究提供了重要资源。
结论与讨论
本研究首次将深度学习应用于 SICS 的手术阶段识别，证明了 MS-TCN++ 模型在 SICS 自动化分析中的可行性。尽管 SICS 因阶段更多、手术时间更长增加了分析难度，但模型仍取得了较高的准确率和 AUC 值，为术后质量评估、手术培训及并发症预警奠定了基础。研究结果表明，AI 技术有望缓解 LMICs 在白内障手术评估中的资源瓶颈，通过自动化工具提升手术标准化程度和患者预后。
未来研究方向包括引入更先进的特征提取技术（如 CLIP、Dino-v2）、扩大数据集覆盖范围（纳入不同手术技术和并发症案例），以及开发实时并发症检测系统。此外，探索低成本设备（如智能手机）记录手术视频的可行性，将进一步推动 AI 在 LMICs 眼科手术中的普及。本研究不仅为 SICS 的自动化分析提供了新工具，也为其他外科领域的 AI 应用提供了方法论参考，对改善全球眼科医疗公平性具有重要意义。
