机器人显微手术中的人工智能

《Clinics in Plastic Surgery》：Artificial Intelligence in Robotic Microsurgery

　　

章节摘要

要点

• •
  震颤过滤和高达20倍的运动缩放已经临床应用，器械尖端精度由平台决定，而非依赖外科医生的基本稳定性。
• •
  卷积神经网络和长短期记忆网络可从术中视频中以接近外科医生水平的精度识别手术阶段、步骤和器械，从而实现情境感知辅助和增强现实导航。
• •
  在缝合间距方面，有监督的自主缝合优于手动吻合和da Vinci辅助吻合。

震颤过滤与运动缩放

当前机器人显微外科中的AI在控制回路层面运作，包含算法级震颤过滤和运动缩放。Symani手术系统（MMI Micro）提供7至20倍的运动缩放结合实时震颤过滤，将大幅手部运动转化为亚毫米级器械运动。⁵ 在一项系统评价中，Ranapakhi等人汇总了21篇出版物，发现90.5%的组报告了高精度，归因于

计算机视觉与增强现实

AI驱动的计算机视觉正在多个层面融入机器人显微外科工作流程。深度神经网络可以准确识别手术阶段和器械，这为情境感知的术中AI辅助奠定了基础。计算机视觉可以以接近外科医生水平的精度识别手术阶段和器械，方法是将卷积神经网络（CNN）应用于术中视频。⁸ CNN以松散的层级结构构建

自动化技能评估

自主缝合已在较大口径下得到验证，但尚未在显微外科尺度上实现。智能组织自主机器人（STAR）执行了有监督的自主软组织缝合，依据的是从图像生成的缝合方案，而非外科医生的直接操作。三维机器视觉系统在整个任务过程中持续追踪组织，并将信息输入控制器，在视野变化时修正方案。¹⁴ 这使得机器人能够适应组织的运动和形变

人工智能驱动的触觉反馈

机器人显微外科最常引用的局限之一是触觉反馈的缺失。在评估Symani系统的PRIMO研究中，该平台达到了94.1%的技术成功率97.8%的皮瓣存活率，但无法感知组织仍是一个公认的缺点。¹⁹ 外科医生通过依赖视觉线索进行适应，在高倍放大下观察组织如何形变、变色或对器械接触做出反应。²⁰ 然而，证据强烈支持恢复触觉

人工智能驱动的临床决策支持

手术室之外，AI正开始重塑显微外科医生的手术规划、术中决策和术后管理方式。显微外科决策本质上复杂，外科医生必须快速综合患者特异性因素，在多种重建方案中选择，并适应意外的术中发现。MicroRAG（检索增强生成）的开发利用AI驱动的临床决策支持帮助弥补了这一差距，其构建基于

总结

AI已经渗透到机器人显微外科系统的每一层。震颤过滤和运动缩放已集成到商业平台并用于临床病例，为外科医生提供了比徒手更稳定的视野。计算机视觉准确地识别手术阶段和器械，这为能够随手术进展理解病例并提供实时指导的系统奠定了基础。应用于手术视频的深度学习如今

临床护理要点

• •
  经验提示：7–20倍运动缩放的震颤过滤将精度设定在器械尖端，而非依赖外科医生的稳定性。转换为手动吻合较为罕见，在21篇出版物中仅为1.24%。^{4, 5, 6} 对血管壁和缝合使用较高的缩放比例，在视野中移动位置时使用较低的缩放比例。
• •
  易错点：震颤和预期运动在频率上重叠，因此过滤无法完全分离二者。当前最佳算法的准确率约为79%。⁷ 预计将非常

Nicholas S. Ranellone|Zhazira Irgebay|Andrea Moreira