基于深度学习的手术技能评估：腹腔镜乙状结肠切除术中"DEI"参数自动分类模型的构建与应用

为解决腹腔镜结直肠癌手术中技能评估的客观化难题，来自日本内镜外科技术认证系统(ESSQS)的研究团队开发了基于卷积神经网络的手术视频自动分类模型。该研究通过量化解剖(D time)、暴露(E time)和无效时间(I time)等参数，成功区分±2SD技术组别，其中+2SD组D-E转换次数(204±96)显著低于-2SD组(405±188,p<0.01)，F1值达0.92(D)/0.82(E)/0.74(I)，为手术质量评估提供了智能化解决方案。

　　

在微创外科领域，腹腔镜乙状结肠切除术(Laparoscopic Sigmoidectomy, Lap-S)的技术水平评估迎来革命性突破。科研团队从内镜外科技术认证系统(Endoscopic Surgical Skill Qualification System, ESSQS)获取手术视频，构建了包含57例患者、386,721帧影像的数据库，其中技术卓越组(+2SD)26例，技术欠佳组(-2SD)31例。

通过精确标注解剖阶段(Dissection time, D time)、组织暴露阶段(Exposure time, E time)和无效操作时间(Invalid time, I time)，研究团队开发出基于卷积神经网络(CNN)的智能分类系统。令人瞩目的是，该系统对D/E/I的识别准确率分别达到F1值0.92、0.82和0.74。数据分析显示，技术卓越组的平均D时间(3328±739帧)显著短于欠佳组(4073±1018帧)，而E时间(1678±681帧 vs 2748±1337帧)和D-E转换频率(204±96次 vs 405±188次)的组间差异均具有统计学意义(p<0.01)。

这项研究首次建立"DEI"参数体系，证实手术效率与D/E比值及阶段转换频次密切相关。当摄像头移出体腔(Outside)时，系统能自动识别并排除干扰。该智能评估模型不仅为外科培训提供客观标准，其发现的205次D-E转换临界值更成为区分手术熟练度的生物标志物，有望推动精准外科教育的发展。