人工智能辅助腹腔镜腹股沟疝修补术中关键解剖标志识别系统的开发与验证

本研究针对腹腔镜腹股沟疝修补术(TAPP)后慢性疼痛(CPIP)的临床难题，开发了基于特征金字塔网络(FPN)的AI解剖标志识别系统。通过3323张图像训练模型，成功实现输精管(VD)、生殖血管(GV)和下腹壁血管(IEPV)的自动分割(Dice系数0.67-0.70)，专家验证准确率达90%。该技术为减少神经损伤提供了可视化解决方案，尤其有助于低年资医师安全操作。

　　

腹股沟疝是普外科最常见手术之一，仅日本2022年就开展11.8万例，其中腹腔镜经腹腹膜前修补术(TAPP)占比近半。然而术后慢性疼痛(CPIP)发生率仍达2.6-13.8%，约9.5%患者术后1年仍受疼痛困扰。这种疼痛多源于"灾难梯形区"(ToD)的神经损伤，而该区域识别依赖输精管、生殖血管和下腹壁血管构成的"倒Y型"解剖标志。由于TAPP常由低年资医师操作（本研究80.8%病例），视觉认知误差成为并发症主因。

为破解这一难题，研究人员开发了基于EfficientNet-B7架构的特征金字塔网络(FPN)模型。从188例TAPP手术视频中提取3323张图像，由两位内镜认证专家标注三大解剖标志。通过五折交叉验证，最终模型在10例新病例测试中展现出临床实用价值。

主要技术方法
研究团队收集了188例TAPP手术视频（222处疝病变），筛选62例（73处疝）构建训练集。采用水平翻转和位移缩放旋转等数据增强技术，使用COCO格式存储标注数据。模型以EfficientNet-B7为骨干网络构建FPN架构，重点识别下腹壁血管(IEPV)、输精管(VD)和生殖血管(GV)三大标志，最终通过专家盲法评估系统实用性。

研究结果
CPIP发生率
随访105例显示，NRS≥1分疼痛发生率5.4%（12例），NRS≥3分的CPIP发生率为2.2%（5例），与文献报道相符。

解剖标志分割精度
模型对下腹壁血管(IEPV)识别表现最佳（Dice系数0.70），输精管(VD)和生殖血管(GV)分别为0.67和0.68。精确度方面，IEPV达0.86，显著高于其他结构。

实验验证
专家评估显示，下腹壁血管识别准确率100%（7/7），生殖血管85.7%（6/7），但女性患者圆韧带识别存在困难。总体解剖标志识别准确率达90.4%（19/21）。

结论与意义
该研究首次将FPN架构应用于TAPP手术的解剖标志识别，通过"五三角形"理论实现了灾难梯形区的可视化预警。虽然当前模型Dice系数≤0.7仍有提升空间（尤其女性病例），但其临床价值已获专家认可。未来通过增加女性病例数据和开发性别特异性模型，可进一步优化系统性能。

这项技术的核心价值在于：①为低年资医师提供实时解剖导航，减少视觉认知误差；②通过关键结构可视化降低神经损伤风险；③为AI在腹腔镜手术中的标准化应用提供范式。随着实时AI技术的发展，这种基于分割的标识方式比传统边界框能提供更精细的解剖指引，有望成为疝修补手术的安全保障新标准。