编辑推荐：
推荐阅读：该综述探讨 AI 在腹腔镜胆囊切除术（LC）中识别解剖结构的作用，助力更安全手术操作。
### 腹腔镜胆囊切除术（LC）的现状与挑战
腹腔镜胆囊切除术（LC）是症状性胆囊结石的金标准治疗方法，在全球范围内广泛开展，无论是择期手术还是急诊手术，资深外科医生和实习医生都会实施 。然而，LC 最令人担忧的并发症是胆管损伤（BDI），其主要原因是对解剖结构的误解。LC 后的医源性 BDI 发生率高于开腹胆囊切除术，在 0.4% - 1.5% 之间 。BDI 不仅会导致患者需要进一步的外科、内镜或放射学治疗，还会增加患者的治疗成本 。
为预防 BDI，文献中报道了多种策略，如系统使用关键安全视野（CVS）、补救手术（如次全胆囊切除术）等 。术中使用吲哚菁绿（ICG）荧光和荧光胆管造影（FC）可帮助可视化肝外胆管结构，便于术中解剖，降低 BDI 风险 。但在肥胖患者或急性胆囊炎情况下，仍可能出现胆管解剖结构误判，BDI 风险依然较高 。
人工智能（AI）在手术领域的应用探索
人工智能（AI）近年来已被引入微创手术（MIS）领域。计算机视觉作为 AI 的一个分支，专注于识别和准确分析数字图像、视频等输入，模拟和优化人类识别能力 。尽管深度学习和计算机视觉在诊断（尤其是内镜诊断）方面已得到广泛应用，但在手术中的实时应用仍处于早期阶段 。
本系统评价旨在研究 AI 能否在 LC 手术中引导外科医生识别解剖结构，从而实现更安全的解剖操作。
研究方法与过程
- 研究注册与检索策略：本研究在国际系统评价前瞻性注册平台（PROSPERO）注册，注册号为 CRD - 42023478754。按照系统评价和荟萃分析的首选报告项目（PRISMA）声明及 Cochrane 干预系统评价手册，对 MEDLINE（通过 PubMed）、EMBASE 和 Web of Science 数据库进行系统检索，检索截至 2024 年 9 月 30 日的文献，且无语言限制 。同时排除了综述、系统评价、荟萃分析、评论、病例报告等多种类型的文章，以及 AI 用于识别不良反应、手术时间、手术人员和手术工具等方面的研究 。
- 筛选与数据提取：纳入标准为在 LC 手术中使用 AI 识别解剖结构、确定安全 / 不安全解剖区域或进行 CVS 评估的文章。由两名独立评审员进行筛选和数据提取，如有分歧则与第三名评审员讨论解决 。收集的数据包括研究标识符、研究设计、研究人群、数据集类型、纳入和排除标准、识别的解剖结构、AI 模型等多项内容，并存储在 Microsoft Excel 程序中。
- 评估指标设定：根据 PICO 标准，本研究旨在报告 AI 在 LC 手术中识别解剖结构的现有证据 。关注的解剖结构包括胆囊、胆囊管（CD）、胆囊动脉（CA）、胆囊板（CP）、胆总管（CBD）、肝胆囊三角（HCT）等 。部分研究还将解剖区域分为 “Go” 区（位于 HCT 内靠近胆囊下缘，解剖风险低）和 “No - Go” 区（HCT 内较深区域，解剖风险高） 。此外，由于 CVS 基于正确识别解剖结构，涉及 CVS 评估的研究也被纳入 。
AI 模型的性能通过与手术注释进行比较来评估，常用指标包括平均精度均值（mAP）、平衡准确率（b - ACC）、曲线下面积（AUC）、敏感度（Se）、特异性（Sp）等 。分割网络的性能则用平均交并比（IOU）和 Dice/F1 分数衡量 。对于 CVS 评估，使用 Cohen's kappa、一致性百分比和 Gwet’s AC2 等指标评估 AI 注释与外科医生之间的一致性 。
- 风险偏倚评估与证据质量分级：由三名作者使用修订的 Cochrane 随机试验风险偏倚工具（RoB 2）和非随机干预研究风险偏倚工具（ROBINS - I）评估纳入研究的风险偏倚 。两名作者根据推荐分级、评估、制定与评价（GRADE）方法，独立评估证据质量，包括不精确性、不一致性、间接性和发表偏倚等方面，并将证据质量分为极低、低、中、高四个等级，最后使用 GRADE profiler 软件创建总结表 。
研究成果与发现
- 文献筛选结果：最初检索到 2304 篇文章，经去重和筛选，最终纳入 25 篇 2020 年 6 月至 2024 年 9 月期间发表的文章 。
- AI 模型性能表现：纳入研究中，胆管结构检测的平均 mAP 达到 98% 。平均 IOU 在 0.5 - 0.7 之间，平均 Dice/F1 空间相关指数大于 0.7/1 。AI 系统在 27% 的病例中改变了注释，其中 70% 的改变被认为是更安全的改变 。对预防 BDI 的贡献评分为 3.65/4 。
- 不同结构识别差异：AI 在识别解剖区域方面似乎比识别单个结构更有效，例如，识别 “Go” 和 “No - Go” 区以及 CVS 的 mAP 值高于识别 CBD、CD 等单个结构 。同时，识别 “No - Go” 区的性能优于 “Go” 区 。这可能是因为识别解剖区域比单个结构更容易，且 “No - Go” 区在图像中的体积更大，更易识别 。
- 对手术策略的影响：使用 AI 可导致手术策略的改变，实现更安全的解剖操作 。有研究表明，术中使用 AI 可提高 CVS 的达成率，但这一结果可能部分归因于 “霍桑效应”，即外科医生因被 AI 监测而更有动力优化表现 。
- 不同研究类型差异：使用 AI 进行术后视频分析的研究与在临床实践中应用 AI 的研究有所不同，近期研究更多采用基于广泛数据库的复杂技术 。
研究的意义、局限与展望
- 研究意义：本研究表明，尽管目前关于 LC 手术中使用 AI 识别解剖结构的研究较少且存在异质性，但 AI 模型在解剖结构识别方面具有潜在价值，有助于提高手术团队的认知，在预防 BDI 方面发挥一定作用 。此外，AI 还可能在手术教育中发挥重要作用，尤其对年轻外科医生在 MIS 手术中缺乏触觉敏感性的情况下，视觉信息更为重要，AI 可作为辅助工具 。
- 研究局限：本研究存在诸多局限性。纳入研究的质量和数量总体较差，仅有一项随机对照试验。AI 模型的异质性、纳入标准的差异以及各研究分析病例数较少，都限制了研究结果的普遍性 。此外，专家意见的差异也可能影响模型的推广，且数据来源于文章本身，无法获取原始数据进行真正的统计分析 。同时，许多研究排除了高炎症、纤维化、出血和解剖异常等增加 BDI 风险的病例，这也限制了研究结果的外推 。最后，所有纳入研究均来自少数研究小组，数据集数量少且可能存在重叠 。
- 未来展望：尽管 AI 在 LC 手术中的应用前景广阔，但目前距离实现实时指导以最小化 BDI 和其他不良事件的风险仍有很大差距 。未来需要更多的随机试验和更大程度的标准化，以提高这些 AI 模型的可重复性和可靠性，推动 AI 在 LC 手术中的广泛应用，为患者带来更安全、有效的手术治疗 。
