编辑推荐：
本研究为解决腹腔镜胆囊切除术中关键视野安全（CVS）评估的主观性和数据集不足问题，开发了Endoscapes2023数据集，包含201例手术视频的CVS评估和手术场景分割标注，为手术安全性和效率提升提供了重要支持。
腹腔镜胆囊切除术（Laparoscopic Cholecystectomy, LC）是一种常见的微创手术，但其手术过程中的视觉感知误差可能导致严重的胆管损伤。为了提高手术的安全性和效率，研究人员开发了Endoscapes2023数据集，旨在通过高质量的标注数据支持深度学习模型的开发，以实现关键视野安全（Critical View of Safety, CVS）的自动化评估和手术场景的精准分割。
研究背景
腹腔镜胆囊切除术（LC）是一种广泛应用于治疗胆囊疾病的微创手术。然而，这种手术方式高度依赖视觉引导，而人类视觉感知的启发式特性可能导致对内窥镜图像的错误解读，从而引发严重的不良事件。例如，手术过程中，胆囊的漏斗状结构可能被误认为是胆囊管，而实际上可能是胆总管，这种视觉错觉是导致97%的胆管损伤（Bile Duct Injury, BDI）的主要原因。为了降低这种风险，1995年Strasberg等人提出了关键视野安全（CVS）的概念，通过明确识别胆囊管来预防胆管损伤。然而，CVS的评估目前仍依赖于定性分析和观察者主观判断，这限制了其在实际手术中的应用效果。
近年来，随着手术数据科学的发展，研究人员开始利用深度学习模型来分析手术视频，以支持手术中的视觉任务，如CVS评估和手术场景分割。然而，这些模型的性能和可靠性高度依赖于高质量标注数据的可用性。此前的研究虽然取得了一定进展，但由于数据集规模较小且存在选择偏差，限制了模型的泛化能力。
研究方法
本研究由法国斯特拉斯堡大学（iHU Strasbourg）的研究团队主导，开发了Endoscapes2023数据集。该数据集包含201例腹腔镜胆囊切除术视频，视频中每隔1秒提取一帧图像，共获得58813帧。这些图像经过专业外科医生和计算机科学家的标注，涵盖了CVS评估和手术场景分割的多种标注类型。
CVS评估方面，研究团队基于Strasberg的CVS定义，将CVS分为三个标准（C1、C2、C3），并由三位经过严格培训的外科医生独立标注每个标准的达成情况。最终，通过多数投票法确定每帧图像的CVS标注结果。此外，研究团队还对部分图像进行了语义分割标注，涉及胆囊、胆囊管、胆囊动脉、胆囊床等6个解剖结构和手术工具。
研究结果
Endoscapes2023数据集包含11090帧图像的CVS评估标注和1933帧图像的语义分割标注。CVS在所有手术中达成率为41.8%，其中C1、C2、C3的达成率分别为84.6%、60.7%和55.2%。在标注的图像中，CVS的达成率为6.1%，C1、C2、C3的达成率分别为17.1%、12.4%和19.2%。此外，研究团队还计算了标注者之间的一致性，Cohen’s kappa值分别为CVS 0.38、C1 0.33、C2 0.53和C3 0.44。
研究结论
Endoscapes2023数据集的开发为腹腔镜胆囊切除术中CVS的自动化评估和手术场景分割提供了高质量的标注数据。该数据集不仅解决了以往数据集的局限性，还通过多中心标注和严格的标注协议提高了数据的一致性和可靠性。此外，该数据集的公开发布为未来的研究提供了重要的基础，有望推动手术数据科学的发展，提高手术的安全性和效率。研究团队还开发了相应的标注工具，并在GitHub上公开了数据集和相关代码，以促进学术界和工业界的进一步研究和应用。
关键技术方法
研究人员开发了Endoscapes2023数据集，通过以下关键技术方法实现：
从201例腹腔镜胆囊切除术视频中提取图像帧，确保数据的多样性和代表性。
由三位经过培训的外科医生独立标注CVS标准（C1、C2、C3）的达成情况，确保标注的准确性和一致性。
对部分图像进行语义分割标注，涵盖胆囊、胆囊管、胆囊动脉等解剖结构和手术工具。
开发定制的标注工具，支持图像标注和视频回放功能，提高标注效率。
研究意义
Endoscapes2023数据集的构建为腹腔镜胆囊切除术的手术安全研究提供了重要支持。通过高质量的标注数据，研究人员可以开发更准确的深度学习模型，实现CVS的自动化评估和手术场景的精准分割，从而降低手术风险，提高手术效率。此外，该数据集的公开发布也为全球的研究人员提供了宝贵的研究资源，有望推动手术数据科学的进一步发展。
