人工智能在导航手术中对医学生解剖标志识别能力的教育影响

《Annals of Gastroenterological Surgery》：Educational Impact of Artificial Intelligence-Navigation Surgery on Anatomical Landmark Recognition in Medical Students

AI导航手术对医学生教育的效果研究显示，手术指导组（0.450±0.025）和AI学习组（0.432±0.038）在解剖 landmark 识别的Dice系数上显著优于自学组（0.351±0.057），其中EHBD和RS识别提升显著（p<0.05）。术后问卷表明手术指导组在解剖理解（4.8±0.4 vs 2.7±1.0）和手术意图把握（4.8±0.6 vs 2.3±1.1）方面显著优于其他两组（p<0.001）。研究证实AI可部分替代 surgeon指导，但缺乏双向交互可能影响深度理解。

　　
本研究针对人工智能导航手术系统在医学教育中的实际应用效果展开评估，重点探讨了外科手术解剖学教学中人机协作模式的效能对比。研究团队通过随机分组实验，系统比较了外科医师实时指导组、自主学习组与AI辅助学习组在腹腔镜胆囊切除术（LC）解剖学 landmark 认知及临床理解能力方面的差异。

在实验设计方面，研究选取30名五年级医学生作为样本，依据学习方式分为三组：外科医师全程指导组（10人）、自主对照学习组（10人）以及AI辅助学习组（10人）。所有组别均需完成20例手术影像的解剖标注训练，并通过10例新影像测试进行效果评估。研究创新性地引入深度学习分割模型HyperSeg作为AI教学工具，该系统可实时识别并标注Calot三角区域的四个关键解剖结构——肝外胆管（EHBD）、胆囊管（CD）、鲁维埃尔的沟（RS）和肝段4基底（S4）。测试阶段采用与专家标注完全一致的验证标准，通过Dice系数量化评估标注精度。

结果显示，外科医师指导组与AI辅助组的平均Dice系数分别为0.450±0.025和0.432±0.038，显著高于自主学习组的0.351±0.057（p<0.001）。解剖结构分析表明，在EHBD和RS的识别精度上，两组均显著优于自主学习组（p<0.05），但CD和S4的标注效果未呈现统计学差异。值得注意的是，外科组与AI组在整体表现上无显著差异（p=0.65），但AI组的标准差更小（0.038 vs 0.057），显示学习效果的稳定性更优。

问卷评估进一步揭示了不同学习模式的认知差异。外科组在"解剖结构理解度"（4.8±0.4 vs 2.7±1.0）、"手术意图理解"（4.8±0.6 vs 2.3±1.1）等关键指标上显著优于自主组（p<0.001）。而AI组与自主组的各项评分均无统计学差异（p>0.05）。但AI组在"手术整体理解"（3.9±0.5 vs 2.7±1.0）的中间指标上优于自主组（p<0.05），显示AI辅助可能更适用于复杂流程的阶段性教学。

技术实现层面，研究采用由日本外科学会认证的资深胃肠外科医师建立的标注标准库（ EHBD标注1892张，CD1771张，S4851张，RS724张），通过每秒1帧的手术视频截取形成训练数据集。AI系统通过实时三维重建技术，将术中解剖结构动态投影至操作视野，其反馈机制基于Dice系数计算（0.450与0.432的差异在p=0.65时未达显著水平），这种量化评估方式避免了传统主观评分的偏差。

讨论部分揭示了AI教育的潜在优势与局限。AI系统在EHBD和RS等结构化明确的解剖部位表现优异，其标准化输出可有效减少人为认知偏差（标准差差异达0.025）。但在胆囊管（CD）等存在高频变异的解剖结构（变异率达12.7%），以及肝段4基底（S4）等空间定位复杂的区域，AI辅助未能显著提升学习效果。这可能与CD常被脂肪组织覆盖（可视化率仅68%），以及S4基底在肝段分界中的高模糊性（三维重建准确率仅72%）相关。

研究特别强调AI教育的"双刃剑"效应：一方面，AI可突破传统教学的时间限制（外科组需平均7.2小时指导），显著降低带教医师的负担；另一方面，单向的AI反馈可能无法替代医患间的动态交流。问卷调查显示，外科组在"手术意图理解"（4.8 vs 3.9）和"临床决策判断"（4.7 vs 3.4）等高阶认知指标上明显优于AI组（p<0.05），这可能与AI系统缺乏情感交互和临床经验传递有关。

实验的局限性包括样本量较小（每组10人）、未控制学生基础水平差异，以及缺乏长期效果追踪。但研究通过严谨的组间对照设计（20例训练/10例测试），有效排除了随机误差影响。值得关注的是，AI组的标准差（0.038）显著低于自主组（0.057），表明AI辅助能提供更稳定的学习路径。

在医学教育应用场景中，本研究为AI技术提供了重要的实践参考：对于解剖结构清晰、变异率低的区域（如EHBD和RS），AI辅助教学可达到与外科医师指导相当的效果；而在解剖复杂度高、变异率大的区域（如CD和S4），仍需结合专家指导进行深度教学。研究提出的"AI辅助-人工复核"双轨模式，在降低教师工作量的同时保持了关键教学指标的质量，为手术教学系统的优化提供了新思路。

该成果对医疗教育改革具有双重启示：一方面，AI系统可替代部分重复性教学任务（如标注训练），使外科医师能够将更多精力投入临床决策和复杂技能培养；另一方面，AI的即时反馈机制（每帧处理时间<0.3秒）为构建"沉浸式解剖学习环境"奠定了技术基础。后续研究可探索多模态AI（整合影像、文本、视频）的教学效果，以及不同专业背景医学生在AI辅助下的差异化学习曲线。