腹腔镜胃癌D2淋巴结清扫术中动态关键血管解剖数据集构建及其在手术AI导航中的应用

针对腹腔镜胃癌手术中复杂血管解剖导致D2淋巴结清扫(LND)高难度问题，南方医科大学团队构建了全球首个动态关键血管解剖数据集LapGC-KVAD-30。该研究通过标注30例手术视频中15类关键血管的5303帧图像，完整记录血管暴露-分离-结扎过程，为开发AI辅助导航系统提供基础资源，显著提升手术安全性。

　　

论文解读

胃癌作为全球第五大高发恶性肿瘤，其手术治疗正经历从开放手术向腹腔镜手术(LapGC)的技术变革。尽管国际多项临床试验(如CLASS、KLASS、JCOG系列研究)证实腹腔镜手术的短期优势与长期疗效，但D₂淋巴结清扫过程中复杂的血管解剖仍是主要技术瓶颈。统计显示，45%的术中并发症源于血管损伤，其中20%归因于视觉识别误差。现有公开手术数据集多聚焦胆囊、妇科等简单手术的器官分割，缺乏对胃癌关键血管动态操作过程的系统记录，严重制约了AI技术在胃癌手术中的应用发展。

为突破这一瓶颈，南方医科大学南方医院普通外科联合香港中文大学等机构，在《Scientific Data》发表了首个专注于胃癌D₂淋巴结清扫的血管解剖数据集LapGC-KVAD-30(亦称SMU-NF-GC-01)。研究团队基于30例腹腔镜远端胃切除术(LDG)视频，将D₂清扫划分为8个关键场景(S1-S8)，定义15类关键血管(如左胃网膜动脉LGeA、门静脉PV等)，通过专家标注5303帧高分辨率图像，完整记录血管从初现到完全暴露(或结扎)的动态过程。关键技术包括：1)基于FFmpeg框架的标准化帧提取；2)由3名经验>300例的专家与5名医学标注者组成的多级标注体系；3)采用LabelMe工具进行像素级分割标注；4)通过Dice系数和Hausdorff距离验证标注一致性。

数据集定义
研究严格遵循胃癌治疗指南，将D₂清扫分解为8个场景：左胃网膜淋巴结清扫(S1-LGeA&V)、胃大弯血管(GCVs)处理(S2)、幽门下区(RGeA/RGeV暴露,S3)等。创新性地将血管动态暴露过程划分为"初始显露-部分暴露-完全暴露-结扎"四阶段(图3)，并针对血管变异(如脾静脉SV未纳入关键血管)制定差异化标注策略。

技术验证
数据分析显示：1)场景分布反映手术复杂性，S6(胰腺上区)和S3(幽门下区)占比最高(23.61%和23.49%)；2)标注一致性优异，医学标注者间Dice系数达0.85-0.94，与专家比对达0.84-0.93；3)95%归一化Hausdorff距离(95% HD_norm)均<0.04，显著优于同类数据集Dresden(0.62-0.99)。

研究意义
该数据集突破现有三大局限：1)首度实现胃癌手术血管操作全流程动态记录；2)标注质量通过多级专家验证；3)为AI导航开发提供标准化训练资源。局限性包括单中心数据来源、白光成像单一性等，未来需通过多中心合作扩展数据多样性。

结论与展望
LapGC-KVAD-30填补了胃癌手术AI研究的解剖数据空白，其动态标注特性可支持：1)实时血管识别算法开发；2)手术教学模拟系统构建；3)术中并发症预警模型训练。随着Guo Longfei等作者公开标注代码(GitHub/CalvinSMU)，该数据集将加速手术AI从实验室向临床转化，最终实现"精准-安全-标准化"的胃癌手术新范式。