《BMC Artificial Intelligence》：Real-time AI architectures for intraoperative surgical workflow: from temporal modeling and multi-modal fusion to efficient edge deployment
人工智能（AI）在术中手术环境中的整合代表了现代外科手术的范式转变。实时手术工作流识别系统利用复杂的时序建模架构、多模态数据融合策略和高效的边缘部署技术，在手术过程中提供情境感知的决策支持。本叙述性综述综合了手术视频分析中深度学习架构的当代进展，考察了从循环神经网络到基于Transformer模型的演变、包括视频、运动学和传感器数据在内的异构数据源的整合，以及能够在资源受限的边缘设备上实现部署的计算优化策略。研究人员批判性地分析了基准数据集，评估了最先进的性能指标，并讨论了管理AI赋能手术设备的监管格局。本综述识别了关键挑战，包括情境依赖性延迟要求——机器人遥操作控制回路的要求明显比流式模型推理更为严格，后者仅需跟上约25 fps的手术视频采集速率——以及跨手术变异的稳健泛化性和标准化评估协议。文中讨论了新兴趋势，包括用于手术视频分析的基础模型和用于自动化文档的视觉-语言模型，并展望了临床转化的未来方向。临床试验注册：不适用。
**引言**
手术室是医疗保健中最复杂、最高风险的环境之一，实时决策直接影响患者预后。AI驱动的手术工作流识别系统的出现为提升手术安全性、效率和培训提供了前所未有的机遇。这些系统旨在自动识别手术阶段、检测器械、识别解剖结构，并理解手术动作、器械与目标组织之间的复杂关系。
准确的手术工作流识别依赖于对视频中丰富时序信息的考量，要求AI模型能够从跨越数小时手术的帧序列中提取长程特征。核心挑战在于开发既能捕捉单帧内细粒度空间细节又能捕获整个手术过程长程时序依赖的架构，同时保持与实时临床部署兼容的推理速度。
本综述考察了术中AI的三个相互关联的关键领域：（1）捕捉手术视频中序列依赖性的时序建模架构；（2）整合多样化数据源以增强理解的多模态融合策略；（3）在手术室环境中实现实时推理的高效边缘部署技术。研究人员综合了医学图像计算、计算机辅助干预和临床AI领域高影响力出版物的发现，提供了当前能力和未来方向的全面概述。
**检索策略与选择标准**
本叙述性综述综合了通过四个文献数据库——PubMed/MEDLINE、IEEE Xplore、Scopus和Web of Science——结构化检索所识别的文献，并辅以Google Scholar以及arXiv和会议论文集存储库（MICCAI、NeurIPS、CVPR、ICRA）以捕捉生物医学数据库中常未被索引的计算机科学文献。检索时间跨度为2015年1月至2026年4月，结合了三个概念模块的受控词汇和自由文本术语：（i）手术情境——"surgical workflow"、"surgical phase recognition"、"laparoscop*"、"endoscop*"、"operating room"、"intraoperative"；（ii）AI方法——"deep learning"、"recurrent neural network"、"temporal convolutional network"、"transformer"、"multimodal fusion"、"vision–language model"、"foundation model"；（iii）部署——"real-time"、"edge"、"latency"、"model compression"、"quantisation"、"knowledge distillation"。对检索文章的参考文献列表和相关系统综述进行了手工检索（后向引文追踪）。与叙述性而非系统性设计一致，研究的选择是有目的性的，以代表实时术中AI的方法学演变、基准格局和转化挑战；优先考虑同行评审的原始研究、广泛采用的基准数据集以及监管或临床验证报告。无法获取全文或可验证标识符的记录以及非英文记录被排除。合并检索和后向引文追踪返回了数百条候选记录——例如，一个结合手术工作流和相位识别术语与深度学习和人工智能术语的聚焦PubMed查询在2015-2026年返回了122条记录，一个arXiv搜索"surgical phase recognition"返回了179条（均于2026年5月检索）——经筛选主题相关性、方法学贡献和可验证全文后，保留了78个来源（原始研究、广泛使用的基准数据集以及监管或临床验证报告）用于综合。
**手术工作流识别的时序建模架构**
*时序建模方法的演变*
手术视频的时序维度呈现出不同于一般视频理解任务的独特挑战。手术过程表现出高度结构化的序列模式及特征性相位转换，然而个体相位持续时间因患者解剖结构、病理和外科医生技术而存在显著差异。有效的时序建模必须适应这些变异，同时捕捉手术工作流固有的序列逻辑（图1，表1）。
*循环神经网络方法*
循环架构确立了手术视频中时序建模的可行性，但也暴露了该领域的核心计算张力：使LSTM天然适合有序相位转换的序列依赖性，正是阻止跨数小时手术视频并行化的同一属性。其早期主导地位——基于RNN的时序组件出现在至少26个已报道的手术工作流系统中——因此反映的是初始适用性而非持久适用性。SV-RCNet架构将卷积神经网络和循环神经网络无缝集成，利用ResNet进行空间特征提取和LSTM进行时序建模。两个LSTM模型的级联被用于显式建模时序信息，其中LSTM-clip从短视频片段的视觉特征中学习时序依赖，而第二个LSTM网络沿完整视频序列捕获时序信息。
然而，RNN表现出明显的缺陷：序列依赖性限制了并行计算，考虑到临床手术视频通常跨越数小时，模型训练的时间成本变得过高。此外，标准LSTM由于梯度退化问题难以处理非常长程的依赖关系。
*时序卷积网络*
时序卷积网络的采用更多不是为了原始精度提升，而是作为对RNN并行化瓶颈的直接架构回应：通过用膨胀因果卷积替代循环，它们将感受野大小与序列计算解耦，即使在模糊相位转换期间也能实现平滑预测的在线推理。TeCNO在MICCAI 2020上提出，首次在工作流分析中提出了多阶段TCN（MS-TCN），执行手术相位识别的分层预测精化；其意义既是方法学的也是实证的，展示了非循环时序模型可以在Cholec80上匹配或超越LSTM精度，同时消除循环带来的过高训练时间代价。
非局部循环卷积网络引入非局部块以捕捉连续帧间的长程时序依赖（LRTD）。通过使用基于LRTD的选择策略，研究人员仅使用最多50%的标注样本就实现了超过全数据训练的性能，证明了有效时序建模对标注效率的重要性。
*基于Transformer的架构*
基于注意力的架构解决了RNN和TCN都无法完全解决的局限——在整个手术过程中显式建模长程依赖而无需固定时序窗口——但其以二次复杂度为代价，与实时约束形成直接张力。手术Transformer的发展轨迹可以解读为调和两者的持续努力：Trans-SVNet通过关注预计算嵌入重新考虑了空间和时间特征对准确相位识别的互补效应，Surgformer以分层时序注意力扩展了这一路线。在实践中，Trans-SVNet的贡献在于架构经济性：而非将注意力应用于原始帧，它聚合预计算的空间和时间嵌入，使推理速度足以支持交互式使用——在Cholec80数据集上报告了91 fps——同时提高了先前方法的准确性，这是注意力与实时操作在手术视频中并非互斥的早期证明。
Surgformer在MICCAI 2024上提出，实现了专为手术相位识别设计的分层时序注意力手术Transformer。该架构采用多尺度时序注意力机制捕捉不同时间粒度上的依赖关系，解决了手术相位持续时间可变的问题（表2）。
*注意力机制与自监督学习*
自监督预训练通常由标签稀缺性驱动，但其更有意义的回报是在标注不切实际时所产生表示的质量。多视角掩码对比表示学习（M
2CRL）框架在NeurIPS 2024上发表，具体证明了这一点，在分类上比最先进的自监督内窥镜预训练高出3.5% F1，分割高出7.5% Dice，检测高出2.2% F1（相对Endo-FM）。其底层机制是时间对比学习，直接从无标注视频中合成时空特征，这一属性自然映射到手术工作流识别中，因为密集标注成本高昂且耗时。因此趋势是从监督特征工程转向预训练表示，以最少标注数据跨手术任务泛化。
**多模态融合策略**
*多模态整合的必要性*
术中手术环境产生多样化的数据流，包括内窥镜视频、机器人运动学、力和触觉测量、患者生理信号以及术前影像。在此类场景中，融合不仅仅是数据流的拼接，而是异构传感器和图像源的时间对齐协调，每个源都有其自身的采样率、噪声特征和故障模式——随着模态数量的增长，这种协调问题成为限制因素。应用于术中手术视频流和器械运动学数据的AI建模能够生成自动化技能评估和先进的术中指标（图2）。
*视频-运动学融合*
多模态融合通常以"更多数据更好"的直觉为依据，但更有说服力的理由是其互补性：视频捕捉运动学无法捕捉的场景语义，而器械运动学编码在视频中常模糊或被遮挡的精细运动信号。视频-运动学融合的实证基础正是建立在这种互补性之上——整合两者的图模型在任一模态单独不足的任务上优于单模态基线；在相邻领域，大语言模型辅助的图注意力融合已被应用于多模态心血管疾病诊断——而非基于数据量的简单叠加（表3）。
*手术动作三元组识别*
动作三元组公式将手术理解从"哪个阶段"重构为"谁对哪个结构做什么"，其价值不仅在于表示本身，还在于基准结果所揭示的内容。CholecT50数据集提供了100个三元组类别的标注，包括6种器械、10个动词和15个目标。在CholecTriplet2021挑战赛中，19种算法的平均精度均值范围为4.2%至38.1%——这一分布量化了细粒度器械-组织理解仍落后于粗粒度相位识别的程度，并将绑定约束定位在识别动词-目标交互而非器械上。
*用于手术文档的视觉-语言模型*
视觉-语言模型（VLM）通常被框定为通往多模态能力的通用步骤，但其在手术中更有说服力的角色是弥合一个特定缺口：将像素级场景理解转化为文档记录和术中查询实际所需的结构化、语言 grounded 的描述。传统识别模型进行分类或分割，但它们不阐述手术或记录可使用的方式描述正在发生的事情；VLM恰恰解决了这种表示不匹配。新兴的手术特异性证据反映了这一方向而非互联网规模模型的通用迁移。EndoChat直接操作文档用例，将对话和场景理解与专门构建的Surg-396K指令数据集配对，使内窥镜发现能以自然语言被查询。基础模型路线攻取其前提表示：Endo-FM通过设计用于捕捉空间和时间维度上局部和全局长程依赖的视频Transformer从大规模内窥镜视频中学习，EndoFM-LV将其扩展到真正的长时手术，利用6,469个每个超过一分钟、总计超过1300万帧的长内窥镜视频样本，跨分类、分割、检测和工作流识别进行泛化。贯穿始终的主线是，手术VLM最有用的地方不是作为现有任务的额外精度，而是作为从视觉感知到文档和决策支持所依赖的语言级输出的桥梁。
**实时推理的高效边缘部署**
*手术AI中的延迟要求*
手术室施加严格的延迟要求，但"实时"并非单一阈值：可容忍的延迟取决于AI占据哪个控制回路，应区分三种情形。第一，在遥操作和机器人控制回路中，受控实验将理想端到端延迟设定为不超过约200 ms，约300 ms仍可使用但会降低精度，超过约500 ms的延迟使复杂任务不安全；更严格的动态任务研究将可接受界限设定在接近100 ms，而一个已部署的远程手术平台在实验确定的125 ms阈值下实现了27 ms。第二，对于视频直通和显示，性能在更小延迟下即开始退化：一项受控腹腔镜研究发现，在添加105 ms视频延迟（约160 ms总系统延迟）时性能和可用性显著恶化，经验丰富的外科医生比受训者受影响更大。第三，对于视频流本身的AI推理，模型仅需跟上手术视频录制的约25 fps采集速率；一个临床部署的实时检测系统以"至少25帧/秒，延迟76.80 ± 5.60 ms"运行，内窥镜医师感觉不到。常被引用的"亚100 ms"目标混淆了这些情形；与手术AI模型相关的数字是维持采集帧率所需的推理预算，而非遥操作控制回路界限。行业和工程分析同样警告，超过几百毫秒的延迟以及云往返的附加延迟会降低机器人性能。
较重的神经网络架构运行速度远慢于较轻架构，使其在实时手术中不适用于实时分割，而通过云环境部署会引入额外的带宽和延迟约束（图3）。
*模型压缩技术*
手术AI的模型压缩受精度-延迟-大小三难困境支配，其中没有单一技术是充分的；报告的增益最好理解为可组合的阶段而非可互换的选项，因为其益处基本上是正交的，且通常被组合使用以达到边缘部署所需的数量级缩减：
量化降低模型权重和激活的数值精度，是最成熟的压缩途径。低精度方案通常报告将模型缩小约四倍（32位到8位），精度损失低于1%，而现代4位方法使即使是超大型模型也能在单个加速器上处理——例如，QLoRA在一个48 GB GPU上微调650亿参数模型，而完整16位微调需要>780 GB，且不降低任务性能；更广泛大模型文献中开发的互补参数高效适应策略，如链式低秩适配器，进一步降低了将大模型专门化到新任务的成本。因此对手术边缘部署的相关增益是内存占用和可行性，而非固定的推理加速，后者仍取决于硬件和内核。
剪枝从训练网络中移除冗余权重、通道或结构块。结构化方法对部署最为相关，因为它们产生密集的、硬件友好的张量：例如，SliceGPT从LLaMA-2 70B中切除了约25%的参数，同时保持约99%的密集零样本任务性能，在24 GB消费级GPU上测得16-17%的推理加速（A100上为11-13%），且服务所需GPU减少两个。因此稀疏性与精度之间的权衡强烈依赖于模型和硬件，而非单一固定比率。
知识蒸馏通过训练教师模型的软目标将较大教师（或集成）的行为转移到较小的学生模型，软目标比硬标签携带更丰富的信息；在原始公式中，蒸馏后的单一模型在语音任务上恢复了10模型集成的大部分精度（58.8% vs 58.9%帧精度）。具体到医学影像，基于特征的蒸馏已与可解释AI目标相结合，以训练适合资源受限部署的紧凑、可解释学生模型（表4）。
*NVIDIA Holoscan与硬件加速*
专用流式AI平台如NVIDIA Holoscan已被提出通过收紧从传感器到GPU的路径来满足手术室延迟预算，通过将传感器数据直接流式传输到GPU内存消除CPU介导的拷贝，并将其与优化的推理运行时和基于组件的流水线框架配对。Holoscan是更广泛边缘推理生态系统中的一个选项：通用运行时如NVIDIA TensorRT和Triton Inference Server、供应商中立的ONNX Runtime、Intel的OpenVINO工具包以及面向医疗健康的MONAI Deploy以可移植性、硬件锁定和临床工具方面的不同权衡解决相同的传感器到推理路径，平衡的部署选择应权衡这些而非将任何单一平台视为典范。Holoscan报告的性能数据主要来自供应商，应如此解读：NVIDIA报告Clara Holoscan流水线在4K 240 Hz流上达到10 ms，而传统GStreamer/OpenGL内窥镜流水线为220 ms，一个真实手术应用的中位帧率约为13.5 Hz，端到端延迟低于75 ms，相对传统方法减少50%。独立评估仍然有限但正在出现，是更可靠的评估基础。一项外部实时系统分析为Holoscan应用推导了严格的端到端最坏情况响应时间界限，与经验测量值相差在0.3%以内；一项同行评审但由NVIDIA撰写的研究报告确定性端到端延迟从133.8 ms降至90.6 ms，对于最多三个并发内窥镜应用低于50 ms。作为独立比较点，一项由临床医生领导的基准测试将手术相位识别部署在嵌入式边缘设备（NVIDIA Jetson Xavier NX）上，报告每次预测约250 ms，精度59.8-78.2%，强调现实世界的边缘性能往往远低于供应商数据，且真正独立的跨平台基准测试仍然稀缺。
*高效检测架构*
实时器械检测说明了同样的效率-精度权衡，通过经验而非假设来解决：从YOLOv7x到YOLO-MobileNet的进展是沿参数曲线向下移动的有意迁移（71.3 M → 12.4 M），同时提高了推理速度和——反直觉地——报告的mAP，表明对于视觉受限的手术器械领域，更轻的主干网络在精度上可以具有竞争力，而不仅仅是部署妥协。
InstrumentNet采用YOLOv7作为目标检测框架，使用多尺度特征融合网络避免特征冗余，并引入自适应特征加权融合机制用于实时颅内手术器械分割（表5）。要点是，对于视觉受限的手术器械领域，架构效率和检测精度并非对立：精心设计的轻量级主干可以在沿参数曲线下移的同时保持或提高精度，因此边缘就绪不必以检测性能为代价。
**整合视角：精度-延迟-泛化三难困境**
上述考察的三个领域——时序建模、多模态融合和高效边缘部署——通常被孤立地推进，但在已部署的术中系统中它们是相互约束的，独立对待它们是实验室性能未能干净地转化到手术室的主要原因。它们的交互可以框定为预测精度、推理延迟和跨机构泛化之间的三难困境，其中沿一个轴的改进通常以另一个轴的成本为代价。
时序建模和延迟是最明显耦合的。提高相位识别精度的同一长程注意力随序列长度二次缩放，而使时序上下文有价值的数小时视频恰恰是使完整自注意力在手术室施加的亚100 ms预算内不可行的原因。从这个角度看，Trans-SVNet和Surgformer等手术Transformer是通过聚合或分层注意力从延迟约束中买回精度而非放弃时序深度的尝试。
多模态融合与另外两个轴都存在张力。每增加一个模态——运动学、力、术前影像——就扩大输入和模型，增加边缘部署随后必须解除的压缩负担；改善稳健性的同一融合最有可能被激进量化或剪枝的边缘模型所退化。融合还以非显而易见的方式与泛化交互：模态丰富的模型既可以通过不过度依赖单一站点特异性信号来抵抗分布偏移，也可以通过过拟合到一个中心特定的传感器配置来放大它。
这些张力汇聚于部署：一个在单一机构数据上优化的时序深层多模态模型，然后为该机构硬件压缩，是三重专门化的——针对一个工作流、一个传感器套件和一个部署目标。多中心评估直接显示了由此产生的脆弱性：在腹腔镜胃旁路手术中，在一个医院训练的相位和步骤识别模型在无适应地转移到另一个医院时损失了很大一部分F1分数，只有在多中心数据上训练后才恢复。这反映了医学影像中已有充分记录的跨机构失败，即内部表现出色的模型在外部数据上退化，并可能利用站点特异性混杂因素而非疾病信号。
实际含义是，实时术中AI是一个协同设计问题，而非一系列独立优化。架构（多少时序上下文）、模态集（多少输入流）、压缩策略（压缩多激进）和验证协议（多少中心）必须针对单一部署规范联合选择。因此在单一基准上取得的稳定精度增益应与延迟和泛化轴一并而非替代地解读；随后的基准、临床验证和监管考量最好通过这一视角来理解。
这些压力因手术AI系统很少被外部或前瞻性验证而加剧。在医学影像AI中，只有少数研究报告外部验证或与临床医生的同类比较，对监管提交的分析显示大多数获批设备仅进行了回顾性评估。手术特异性综述呼应了这一转化差距：只有一小部分研究评估实时术中整合，方法学报告经常不完整，具体的真实世界部署仍然很少。对退化或缺失输入的稳健性是一个进一步的开放问题——手术多模态模型很少测试对丢失模态流的韧性，可用的证据主要是跨领域的，例如在模态缺失时保持稳健的MRI分割，而缺失或噪声模态的专门重建已在相邻临床领域显示出保持诊断准确性，例如在阻塞性睡眠呼吸暂停筛查中；在内窥镜视频上校准预测置信度的不确定性感知方法才刚刚出现。
**基准数据集与评估协议**
*标准基准数据集*
基准数据集塑造了该领域的优先事项，正如它们反映了这些事项。对Cholec80的压倒性依赖——在38项已报道研究中使用——推动了胆囊切除术相位识别的快速、直接可比进展，同时缩小了外部有效性，这是更新的多中心和多任务数据集（AutoLaparo、HeiChole）明确设计来揭示的张力。
AutoLaparo专为腹腔镜子宫切除术设计，包含21个完整手术视频（总计1,388分钟），具有三个集成任务——手术工作流（相位）识别、腹腔镜运动预测以及器械和关键解剖结构分割——由一位拥有三十多年经验的资深妇科医生与一位专家共同标注。
HeiChole近期从海德堡大学医院发布，提供更丰富的标注信息，包括相位标签、器械存在和手术技能评估指标（表6）。
*评估指标与标准化挑战*
不同方法的有意义比较是困难的，因为评估协议可能差异很大，常见评估指标的定义留有解释空间。例如，在相位转换周围忽略误差的"宽松边界"计算指标变得流行，但不同实现可能以不同方式定义宽松。
CholecTriplet2021挑战赛建立了使用平均精度（AP）计算的标准化评估，AP计算为精确率-召回率曲线下的面积，组件AP分别评估器械（API）、动词（APV）和目标（APT）识别。这一标准化努力代表了向可重复比较的进展，尽管该领域的采用仍不完整。
**临床验证与监管考量**
*临床部署研究*
真实世界临床部署在手术AI中仍是例外而非规则，而少数到达手术环境的系统之所以具有启发性，恰恰因为它们如此稀缺。AI-Endo，一个用于内镜黏膜下剥离术的智能工作流识别系统，是最清晰的范例之一：在来自高质量ESD病例的201,026个标注帧上训练，并直接与Olympus内窥镜系统集成用于动物研究验证，它跨越了大多数研究原型从未接近的门槛，即嵌入制造商的硬件流水线而非作为分离的离线分析运行。该案例的意义不在于其识别精度，而在于制造商整合所展示的关于手术室就绪AI实际需求的信息。
从此类部署中推广的经验是，工程挑战从优化预测转向在预测不可用时保证行为。因此开发手术室就绪AI需要明确关注工作流整合、用户界面设计和故障安全机制，因为一个静默退化的系统在手术情境中比一个从未存在过的系统更危险。制造商整合和故障安全设计共同意味着重新定义部署就绪的含义：系统必须在AI预测失败或连接中断时保持功能，因此稳健的回退协议不是可选保障而是临床使用的先决条件。
*监管格局*
监管许可增长迅速。FDA的AI/ML赋能设备运行清单在2024年中期约有950个条目，在2024-2025年间超过1,000个；一个独立分类法截至2024年12月编目了1,016个授权（736个独特设备）。大多数通过510(k) clearance途径授权，该途径要求证明与合法上市的谓词设备实质等同。在Singh等人截至2024年12月编目的1,016个授权——对应736个独特设备——中，获批设备绝大多数是诊断和影像为中心的：84.4%使用图像作为核心模型输入，14.5%使用ECG或EEG等生理信号（表7）。在影像设备中，放射学是88.2%的主要审查小组，其次是神经学（2.9%）和血液学（1.9%），而外科专科不在主要审查小组之列。
对获批设备的独立分析发现，只有约一半（505/903；55.9%）报告了临床性能研究，近四分之一（24.1%）明确声明未进行此类研究；在报告的研究中仅8.1%是前瞻性的，2.4%是随机化的，不到三分之一提供了性别特异性数据（28.7%），不到四分之一涉及年龄相关亚组（23.2%）。这凸显了对获批AI系统临床可推广性的持续担忧（表7）。
2025年1月，FDA发布了关于"人工智能赋能设备软件功能：生命周期管理和上市提交建议"的草案指南，为AI特异性监管考量提供了更新框架。
**未来方向与新兴趋势**
*手术视频基础模型*
手术AI中的迁移通常被框定为预训练数据规模的问题，但更有说服力的解读是，在大规模手术视频上预训练的基础模型，其价值不在于原始规模，而在于它们跨手术和机构产生的可迁移表示。证据是增量而非变革性的：最先进的预训练方法在Cholec80上相位识别基准提高了最多2.2%，在AutoLaparo上提高了5.1%，这些增益有意义但受当前评估狭窄性的限制。轨迹也在从识别向 grounded 推理扩展，EndoChat代表了内窥镜手术 grounded 多模态大语言模型的近期进展；在相邻领域，结构化表格和图结构输入以改善大语言模型推理的方法提示了结构化术中记录未来如何可能被机器推理。手术基础模型的近期价值在于跨任务和中心的标签高效迁移，而非饱和的单中心基准上的头条精度增益。
*与手术机器人的整合*
AI工作流识别与手术机器人的整合通常被呈现为摄像头或器械的自动化，但更深层的转变是从反应性到预期性辅助。AI工作流识别与手术机器人系统的融合使基于预测工作流状态的自主摄像头定位成为可能，未来系统可能利用工作流预测进行主动器械准备、人员优化和并发症预测。决定性能力是预期而非识别，因为领先工作流一步行动才是将被动监测转变为主动术中支持的关键。
*标准化与可重复性*
可重复性通常被视为报告形式，但在手术AI中它是累积进展的约束条件，因为不可比较的协议阻止该领域确立什么真正有效。对评估细节的更多关注可以帮助实现该领域更一致和可比较的结果，开发标准化基准协议、开源评估工具包和强制性性能报告标准将加速向临床验证系统的进展。没有共享协议和开放评估工具，报告的增益仍然相互不可比较，因此标准化是临床转化的先决条件而非补充。
**结论**
用于术中手术工作流的实时AI架构已从早期基于LSTM的方法大幅演变到能够捕捉长程时序依赖同时保持实时推理速度的复杂Transformer架构。通过先进融合策略整合多模态数据流——视频、运动学和传感器数据——增强了对手术场景的上下文理解。高效边缘部署，通过模型压缩技术和专用硬件平台如NVIDIA Holoscan实现，将这些能力带入手术室部署所需的延迟约束范围内。尽管取得了显著进展，在实现跨手术变异的稳健泛化、标准化评估协议以及通过严格验证研究证明临床益处方面仍存在挑战。手术视频分析基础模型和视觉-语言系统的出现指向越来越复杂的AI助手，能够以前所未有的细节水平理解和记录手术过程。随着监管框架的成熟和临床证据的积累，实时手术AI系统有望改变术中决策支持、手术培训和质量保证。计算机视觉研究人员、外科医生和监管机构之间的持续合作对于实现这些技术改善患者预后的全部潜力至关重要。
