编辑推荐：
为解决腹腔镜手术数据稀缺、标注单一及变异性未评估等问题，法国格勒诺布尔阿尔卑斯大学研究人员构建 LapEx 多模态数据集，涵盖多种标注，分析标注变异性，为外科数据科学（SDS）研究提供资源。
腹腔镜手术如今在医疗领域应用广泛，尤其是袖状胃切除术，作为常见的减肥手术，每年全球约有 38 万例。然而，外科数据科学（Surgical Data Science，SDS）发展却面临诸多困境。在腹腔镜手术数据方面，大量真实且带注释的数据集十分匮乏，这严重制约了机器学习技术在此领域的应用。现存多数公开数据集问题不少，要么聚焦于低粒度的手术过程注释，比如仅标注手术阶段或步骤；要么只是针对器械或特定器官的图像分割。而且，很多数据集使用动物模型，与临床实际情况相差甚远，难以真实反映人体手术场景。更为关键的是，标注的变异性很少得到评估，这使得基于这些数据训练的模型可靠性大打折扣。
为了突破这些困境，推动 SDS 的发展，来自法国格勒诺布尔阿尔卑斯大学（Univ. Grenoble Alpes）等机构的研究人员展开了深入研究。他们精心构建了一个全新的多模态数据集 ——LAParoscopic EXpertise（LapEx）。这一数据集聚焦于腹腔镜袖状胃切除术，涵盖了丰富的信息，为后续研究带来了新的曙光。相关研究成果具有重要意义，为 SDS 研究提供了宝贵资源，有助于评估新的手术数据科学方法，推动其在不同手术中的应用。
在研究过程中，研究人员采用了多种关键技术方法。数据采集上，通过一项单中心回顾性医学研究，获取 30 例袖状胃切除术视频，经伦理审批并对数据去标识化处理。注释方面，运用专门软件，如 b
[Annotate] 和 CamiTK，进行手术过程注释、手术技能注释和语义分割注释。同时，利用统计学方法，如 Cohen’s Kappa 系数和平均交并比（mIoU），评估注释的变异性和一致性 。
下面详细介绍研究结果：
数据集构建 ：LapEx 数据集包含 30 例由两位资深外科医生在助手协助下完成的袖状胃切除术视频，均为 25 帧 / 秒。数据集中的注释丰富多样，手术过程注释采用四元组详细描述手术中各动作；技能注释涵盖手术医生身份识别和手术场景暴露质量评估；语义分割注释对 735 张图像进行像素级分割，识别 11 种器官或器械类别 。手术过程注释分析 ：研究人员对手术过程注释的变异性进行研究，让参与注释的科学家在初次注释一年后重新注释同一手术。结果发现，长动作注释一致性较高，短动作注释差异较大，主要源于目标组件注释的不同。通过 Cohen’s Kappa 系数统计分析，不同手术人员手部动作注释的一致性有所差异，如外科医生左手注释的手术场景暴露质量注释验证 ：为评估手术场景暴露质量注释的评分者间变异性，研究人员邀请一位未参与研究的专家对 80 个样本进行评估。使用 Cohen’s Kappa 系数（二次加权）分析，总体语义分割注释评估 ：三位注释者对从数据集中选取的 36 张图像进行语义分割，通过计算 mIoU 评估一致性。结果显示，不同注释者对不同器官或器械的分割一致性不同。注释者 AD 与 SV 的 mIoU 最高，为 0.79；注释者对压缩物、腹壁等结构分割一致性较高，而对脾脏、膈肌和胃的分割一致性较低，这是因为脾脏少见且难见、膈肌边界模糊、胃周围脂肪组织易混淆 。
综合来看，LapEx 数据集是首个公开的袖状胃切除术多模态注释数据集，为 SDS 研究提供了重要资源，有助于评估新方法并推动其在不同手术中的应用。不过，该数据集也存在局限性，如数据来源于单中心、两位专家医生，样本量较小，仅针对手术的一个步骤进行注释，暴露质量注释具有主观性且语义注释范围有限等。在未来研究中，若能扩大数据集规模，涵盖更多中心、不同经验水平医生的手术数据，增加注释的客观性和全面性，将进一步提升其价值，推动腹腔镜手术研究迈向新高度，更好地服务于肥胖症治疗等临床实践。
