深度学习模型：助力机器人乳房手术精准解剖的新利器

为解决机器人乳房手术缺乏手术指南问题，研究人员开发 DL 模型，其可作手术指导及培训工具。

　　

在医疗技术飞速发展的今天，机器人手术逐渐成为外科领域的热门话题。机器人辅助手术凭借其高精度、创伤小等优势，为患者带来了更好的治疗体验。然而，在机器人乳房手术中，一个关键问题却一直困扰着医生们 —— 缺乏有效的手术指导。传统的外科手术教育主要依赖于在手术实践中的观察与协助，而对于新兴的机器人乳房手术，这种方式显然不够。此外，虽然深度学习（DL）技术在医学图像分析等领域取得了显著进展，但此前却没有针对机器人乳房手术开发手术指南的研究。

为了解决这一难题，来自韩国多家机构，包括蔚山大学医学院、延世大学医学院等的研究人员展开了深入研究。他们的研究成果发表在《Breast Cancer Research》上，为机器人乳房手术的发展带来了新的曙光。

研究人员开展的是一项关于开发基于深度学习的模型，用于在机器人乳房切除术（Robotic Mastectomy）中指导解剖平面的研究。他们的目标是为初学者和实习生提供一个实用的手术指导工具，以提高手术的安全性和有效性。

在研究过程中，研究人员运用了多种关键技术方法。首先，他们收集了 2016 年 11 月至 2020 年 12 月期间，174 例在 Severance 医院接受机器人辅助乳头保留乳房切除术（RNSM）患者的手术视频。从这些视频中，随机选取 10 个视频，按 1 秒间隔提取图像并转换为 PNG 格式，经筛选最终得到 8834 帧图像，从中选取 428 幅图像按 7:1:2 的比例划分为训练集、验证集和测试集。其次，研究人员采用了由改进的 EfficientDet（mEfficientDet）、YOLO v5 和 RetinaNet 构成的卷积神经网络（CNN）架构。最后，使用 Dice 相似系数（DSC）和 Hausdorff 距离（HD）作为评估指标，来衡量模型预测结果与专家标注之间的相似性。

研究结果如下：

1. 患者临床特征：研究涉及 10 例患者，患者的中位年龄为 47.5（38 - 52）岁，中位体重指数为 22.00（19.30 - 29.52）kg/m2，中位控制台手术时间为 32（21 - 48）分钟，中位标本重量为 352.5（210 - 673）g。9 例患者患有乳腺癌，1 例患者有生殖系 BRCA 突变。所有患者均使用达芬奇 Xi 系统进行 RNSM 并立即进行乳房重建，手术过程中未出现开放转换、术中并发症、乳腺癌相关复发或死亡情况。

2. 模型评估结果：将模型预测结果与两位专家绘制的区域进行比较，测试集的平均 DSC 值分别为 0.815 和 0.801。在对三个网络（EfficientDet、YOLO v5 和 RetinaNet）的验证中，RetinaNet 表现最佳，其与两位专家结果比较的 DSC 分别为 82.89 ± 5.28 和 81.88 ± 6.96，HD 分别为 9.80 ± 2.57 和 10.32 ± 1.09。研究还通过将分割成 PNG 格式的图像合并为视频进行实时图像分析，在实时视频中展示了隧道的预测框和基于预测框的虚拟解剖指南。

研究结论和讨论部分指出，该研究首次将基于 CNN 的 mEfficientDet、YOLO v5 和 RetinaNet 网络应用于机器人乳房切除术的手术指导，模型在预测机器人乳房切除术控制台手术期间皮瓣解剖平面的准确性通过 DSC 和 HD 评估，结果是可接受的。并且研究还实现了机器人乳房手术的实时图像分析。这一成果意义重大，在临床实践中，合适的皮瓣厚度或残留乳腺组织的情况与术后并发症如皮肤坏死和乳腺癌复发密切相关。由于机器人手术系统缺乏触觉功能，该手术指南可以改善术后并发症和乳腺癌局部复发率。同时，作为一种有效的教育工具，它不仅可以为 RNSM 提供准确一致的培训，还可以应用于内窥镜手术的教育，有助于推动各种乳房手术的发展、教育以及提高手术效果。

当然，这项研究也存在一定的局限性。比如，手术视频仅来自一位外科医生，样本单一，可能限制了结果的普遍性；参与测量数据标注的熟练外科医生较少。针对这些问题，研究人员计划在未来收集更多专家的机器人乳房手术视频，应用更多先进的目标检测网络来进一步提高模型的准确性，并通过多中心前瞻性队列研究和随机对照试验对初始模型进行外部验证。相信随着研究的不断深入，基于深度学习的手术指南将在机器人乳房手术乃至更广泛的外科领域发挥更大的作用，为患者带来更多的福祉。