基于深度学习的喉返神经实时检测在内镜甲状腺切除术中的应用与临床价值

针对内镜甲状腺切除术中喉返神经(RLN)损伤风险高、动态解剖结构识别难的问题，本研究创新性地采用改进YOLOv3算法构建深度学习模型，通过分析ETCB和ETTA两种术式11.3万帧手术视频，实现RLN实时检测（最高召回率91.4%），为AI辅助精准外科导航提供新范式。

　　

甲状腺手术中喉返神经的保护一直是外科领域的重大挑战。这根控制声带运动的纤细神经，在甲状腺切除术中的损伤率高达1%-10%，可能造成患者声音嘶哑甚至窒息。尽管内镜技术通过隐蔽切口改善了美观性，但手术视野受限反而增加了RLN识别难度。传统神经监测技术存在操作复杂、成本高昂等问题，而人工智能在动态解剖识别领域尚未取得突破——这正是Surong Hua团队在《Innovative Practice in Breast Health》发表研究的出发点。

研究团队创新性地将计算机视觉技术引入外科领域，通过改进YOLOv3目标检测算法，开发出首个适用于多术式的RLN实时检测系统。关键技术包括：1）采集北京协和医院2020-2021年92例ETCB（胸乳入路）和ETTA（经腋入路）手术视频，构建含113,690帧的标注数据集；2）采用旋转边界框（oriented bounding box）技术适应神经的细长形态特征；3）在Tesla V100显卡上完成模型训练，测试阶段使用P40显卡实现16.3ms/帧的实时性能。

研究结果显示：在IoU阈值为0.1时，模型对ETTA和ETCB的召回率分别达到91.4%和80.6%，精确度分别为82.6%和78.4%。值得注意的是，即便在低辨识度条件下（如出血或器械遮挡），ETTA组的召回率仍保持84.5%，显著优于传统水平边界框检测方法。通过对比实验，研究者发现旋转边界框在保持实时性的同时，比语义分割方法计算量减少69.8%，更适合临床部署。

讨论部分指出，这是首个实现跨术式RLN实时检测的AI系统，其创新性体现在三个方面：首先，通过多尺度特征融合解决了神经形态多变性的识别难题；其次，建立的临床验证体系包含精确度（precision）和召回率（recall）双重指标；更重要的是，该系统已成功应用于实际手术导航，如视频7展示的ETCB术中实时RLN追踪案例。尽管存在单中心数据的局限性，但研究为AI辅助外科手术开辟了新路径——未来通过集成注意力机制和轻量化网络，有望实现更复杂的多解剖结构同步识别。

这项由北京协和医院普通外科团队完成的研究，不仅为甲状腺手术安全提供了智能保障方案，更标志着人工智能从静态影像识别向动态手术导航的重要跨越。正如作者Qiaofei Liu强调的，当AI系统能够像资深外科专家一样"看见"并提示关键解剖结构时，全球范围内的手术质量差异将有望显著缩小，这或许正是医疗人工智能最具革命性的价值所在。