编辑推荐：
腹腔镜胰腺手术因胰腺及周围血管结构复杂，易损伤肠系膜上静脉（SMV）- 门静脉（PV）轴和脾静脉等关键血管。研究人员开展 HRNet-FCN 模型识别血管轮廓的研究，该模型表现出色，能提升手术精准度与安全性，为相关手术带来新突破。
在医学领域，腹腔镜胰腺手术逐渐成为治疗胰腺疾病的重要手段，它就像一把微创的 “钥匙”，为患者打开了快速康复的大门，能减少恢复时间、术后疼痛和住院时长。然而，这把 “钥匙” 在使用过程中却面临着巨大挑战。胰腺周围的血管结构极其复杂，肠系膜上静脉（SMV）- 门静脉（PV）轴和脾静脉就像隐藏在迷雾中的 “危险地带”，手术时稍有不慎就可能引发严重出血，极大地影响手术效果，甚至威胁患者生命。传统手术中，医生可以凭借触感来感知血管位置，但在腹腔镜手术里，这一 “触觉优势” 消失了，使得血管识别变得更加困难。
为了攻克这一难题，北京协和医学院的研究人员勇挑重担，开展了一项极具意义的研究。他们将目光聚焦于深度学习技术，期望能借助其强大的图像识别能力，为腹腔镜胰腺手术中的血管识别带来转机。研究人员构建了 HRNet-FCN 模型，致力于精准识别 SMV-PV 轴和脾静脉的轮廓，提升手术安全性。该研究成果发表在《npj Digital Medicine》上，为医学领域注入了新的活力。
在研究过程中，研究人员采用了多种关键技术方法。首先，他们精心收集了大量手术视频数据，这些数据来自 2021 年 1 月至 2022 年 6 月在北京协和医学院附属医院接受腹腔镜远端胰腺切除术（LDP）和 Whipple 手术的患者。随后，对这些视频进行筛选和处理，提取出包含 SMV-PV 轴和脾静脉的图像，并由专业医生标注。接着，利用高分辨率网络（HRNet）和全卷积网络（FCN）构建模型，通过对图像进行预处理、数据增强、归一化等操作后，在 NVIDIA A100 Tensor Core GPU 上进行模型训练。
研究结果如下：
- 数据集描述：研究人员将数据集分为训练集和测试集。LDP 组包含 25 例患者，产生 126 个视频和 12,694 帧图像；Whipple 组包含 30 例患者，产生 138 个视频和 35,986 帧图像。这样的划分确保了在不同手术情境下全面评估模型性能。
- SMV-PV 轴和脾静脉的单独识别：起初，研究人员尝试对 SMV-PV 轴和脾静脉进行单独识别，采用多类分割将图像像素分类。结果发现，在高难度病例中，脾静脉和 SMV-PV 轴的识别召回率、精度和 Dice 评分均低于低难度病例，整体分割效果不尽人意，凸显了模型改进的必要性。
- SMV-PV 轴和脾静脉作为静脉解剖标志的识别：考虑到 SMV-PV 轴和脾静脉在解剖结构上的联系，研究人员将它们合并为一个 “静脉解剖标志” 进行二元分割分析。结果显示，在低难度病例中，模型表现出色，合并数据集（All）的召回率、精度和 Dice 系数达到 92.40%、85.60% 和 0.738；在高难度病例中，性能也有所提升。而且，该模型仅需 A100 Tensor Core GPU，就能实现 11 帧 / 秒的实时处理能力。与其他模型对比，HRNet-FCN 在低难度病例中表现卓越，计算成本更低。
- 联合训练集对静脉解剖标志的识别：为进一步评估模型的泛化能力，研究人员去除难度级别界限，合并 LDP 和 Whipple 训练集。结果表明，联合训练集能提升模型整体性能，在不同测试集上都有更准确、全面的识别效果，模型可在手术中实时精准识别 SMV-PV 轴，为医生提供可靠的可视化支持。
研究结论和讨论部分意义重大。该研究首次开发出用于腹腔镜胰腺手术中代表性静脉检测的机器学习方法，并在实际手术室环境中进行了实验部署。HRNet-FCN 模型具有独特优势，它通过并行连接多尺度子网和重复多尺度融合，保持高分辨率特征，优化特征表示，在实时血管分割中表现出色。不过，多类分割任务的表现仍有待提高，未来可采用实例分割或 ICG 荧光技术进一步优化。此外，研究还发现数据多样性对模型性能至关重要，更多样、广泛的数据集有助于提升模型泛化能力。虽然模型存在一些不足，如偶尔出现误识别，但研究为后续改进指明了方向，也为 AR 辅助手术导航等技术的发展奠定了基础。这一研究成果为腹腔镜胰腺手术的发展带来了新希望，有望在未来显著提升手术的精准度和安全性，造福更多患者。
