1. 领域背景与文献
文献英文标题：Artificial intelligence–based anatomical recognition improves surgeon decision-making during robotic gastrectomy；
发表期刊：文献未明确提供；影响因子：文献未明确提供；研究领域：胃癌外科手术、人工智能辅助手术
胃癌是全球常见恶性肿瘤之一，也是癌症相关死亡的第五大原因。尽管免疫检查点抑制剂等非手术治疗取得进展，胃切除术仍是实现长期生存的最具潜力根治性疗法。过去数十年间，胃癌手术方式从开腹手术演进至腹腔镜胃切除术，再到近年的机器人胃切除术（RG）。RG通过提供灵活的关节操作、震颤过滤功能和稳定的三维可视化视野，克服了传统腹腔镜的固有局限，实现更精准的解剖分离。然而，即便有这些技术进步，术后胰瘘、腹腔脓肿、出血等并发症仍是重要问题，胃切除术后严重并发症（II级及以上）的发生率仍达7.7%-8.8%，这些不良事件会延长住院时间、增加医疗成本，还会对长期肿瘤学结局产生负面影响，因此进一步提升手术安全性仍有迫切需求。
手术结局不仅取决于技术操作能力，还与术中认知和决策密切相关，超过一半的术中不良事件可归因于人为操作缺陷，这凸显了亟需创新技术来支持医师的术中认知能力，以提升胃癌手术的安全性和精准度。近年，基于人工智能（AI）的解剖识别技术逐渐成为支持术中外科认知的工具，多项研究已证明深度学习模型在多种手术中识别主要器官、关键标志和手术阶段的可行性，包括胃切除术，但这些系统主要局限于医学生教育用途，直接支持执业医师临床决策的效用尚未得到充分验证。本研究正是针对这一空白，开发适用于机器人远端胃切除术（RDG）胰上淋巴结清扫的AI解剖识别模型，验证其对医师术中决策的直接支持作用，为AI辅助手术从教育场景向临床决策支持场景的转化提供依据。
2. 文献综述解析
作者对领域内现有研究的分类维度为AI系统的应用场景，分为以医学生教育为核心的辅助系统和潜在用于临床决策支持的辅助系统两类。
现有研究已证实，AI解剖识别系统在腹腔镜胆囊切除术、机器人食管切除术、机器人胰十二指肠切除术及RDG等多种手术中，具备识别主要器官、关键解剖标志的可行性，部分系统已被证明可提升医学生的解剖识别能力，比如有研究显示AI可视化技术相比传统教学，显著提升了医学生在RG中识别胰腺的敏感性。但这些系统的应用场景主要局限于医学教育，尚未充分验证其对执业医师临床决策的直接支持价值；作者团队此前开发的RDG相关AI模型，虽已证明可提升医师对胰腺和横结肠系膜的识别准确性，但尚未验证该模型能否直接改善医师的术中决策质量。
本研究的创新价值在于，首次在IDEAL（创意、开发、探索、评估、长期研究）0期研究中，验证AI解剖识别系统可在高难度手术阶段直接支持外科医师的术中决策，填补了AI辅助手术从教育用途向临床决策支持用途转化的研究空白，为AI手术系统的临床应用提供了关键的前期证据。
3. 研究思路总结与详细解析
本研究的核心目标是开发适用于RDG胰上淋巴结清扫的AI解剖识别模型，验证其对医师术中决策（腹膜切口线选择、肝总动脉识别时间）的支持作用；核心科学问题为AI解剖识别能否直接提升外科医师的术中决策质量；技术路线遵循“数据集构建→AI模型开发与性能评估→临床效用实验验证→统计分析”的闭环逻辑，通过两项对照实验明确AI系统的临床支持价值。
3.1 数据集构建与伦理审批
本环节的核心目标是构建用于AI模型训练和验证的临床手术视频数据集，同时确保研究符合伦理规范。方法细节上，研究纳入金泽大学医院和庆应义塾大学医院共67例接受RDG联合D1+或D2淋巴结清扫的胃癌患者，研究方案经两家机构伦理委员会批准，所有患者均签署书面知情同意书，手术由 board-certified 外科医师完成，手术设备采用达芬奇Xi机器人系统（Intuitive Surgical）或Hinotori手术系统（Medicaroid）。结果解读显示，研究成功构建包含67例完整手术视频的数据集，为后续AI模型的开发和验证提供了符合伦理要求的临床基础数据。产品关联：文献未提及具体实验产品，领域常规使用达芬奇机器人系统、Hinotori机器人系统等手术设备。
3.2 AI解剖识别模型开发与性能评估
本环节的核心目标是开发并验证针对胰腺、肝总动脉（CHA）、胃左动脉（LGA）、胃左静脉（LGV）的AI解剖识别模型。方法细节上，从67例手术视频中选取54例作为训练集、13例作为测试集；从训练集视频的胰上淋巴结清扫场景中随机提取30帧图像，由消化外科认证医师标注目标解剖结构的轮廓，再经专家医师确认标注质量；为缓解小数据集带来的过拟合风险，采用空间变换、光度畸变、领域特定遮挡等综合数据增强策略进行模型训练，训练脚本基于Python 3.7编写，使用搭载NVIDIA GeForce RTX 3090显卡和Intel Core i9-10900X处理器的计算机完成训练；测试阶段从13例测试视频的胰上淋巴结清扫场景中随机选取30帧合格图像（排除镜头过远、手术烟雾/出血导致模糊的帧），采用交并比（Intersection over Union，IoU）评估模型分割性能，交并比为1代表完美分割，0代表无重叠。结果解读显示，模型对胰腺、CHA、LGA、LGV的交并比分别为0.66、0.28、0.216、0.232，其中胰腺的分割性能最优，血管类结构因目标像素占比低导致交并比相对较低，但仍达到可用于辅助解剖识别的水平。
产品关联：文献未提及具体实验产品，领域常规使用Python深度学习框架、NVIDIA专业显卡等AI训练设备。
3.3 实验1：AI辅助腹膜切口线选择的效用验证
本环节的核心目标是验证AI辅助对医师选择安全腹膜切口线的影响。方法细节上，选取4例独立于训练集的手术视频，提取腹膜切口前10-15秒的手术场景及静态图像，制作原始版本和AI增强版本的视频与图像；20名参与过约100例胃切除术的医师（其中75%为认证外科医师）参与实验，先观看原始视频并在静态图像上绘制认为最优的腹膜切口线，再观看同一病例的AI增强视频并在AI增强静态图像上绘制切口线，每例视频仅允许观看一次；3名未参与AI模型开发或标注的盲态专家医师，采用5分制（1=明显不安全，5=理想）对切口线进行独立评估，采用加权组内相关系数（ICC）评估评分者信度，采用混合效应模型分析AI辅助对不安全切口线比例（评分1-2分）和平均专家评分的影响。结果解读显示，3名专家医师的评分信度较高，单测量加权ICC为0.639，平均测量加权ICC为0.841；调整医师间和病例间差异后，AI辅助组的不安全切口线比例显著低于无辅助组（优势比0.25，95%置信区间0.15-0.41，P<0.001），平均专家评分显著提升0.64分（95%置信区间0.39-0.89，P<0.001），说明AI辅助可显著提升腹膜切口线选择的安全性与合理性。
3.4 实验2：AI辅助肝总动脉识别时间的效用验证
本环节的核心目标是验证AI辅助对医师识别肝总动脉（CHA）时间的影响。方法细节上，选取6例独立于训练集和实验1的手术视频，提取腹膜切口至胃左动脉离断的手术场景，制作原始版本和AI增强版本的视频；20名医师按手术经验分层随机分为两组，采用交叉设计：A组先无AI辅助观看3例视频，再AI辅助观看3例视频；B组先AI辅助观看3例视频，再无AI辅助观看3例视频；医师被要求在确认识别出CHA时停止观看视频，记录识别时间，采用线性混合效应模型分析AI辅助对识别时间的影响，并评估学习效应。结果解读显示，调整医师间和病例间差异后，AI辅助下CHA识别时间显著缩短9.5秒（95%置信区间-16.81至-2.20，P=0.0124），未发现显著学习效应（β=-0.95秒/例，95%置信区间-3.46至1.57，P=0.460），所有试验中CHA均被正确识别，6例中有5例AI辅助下识别时间更短，说明AI辅助可加速关键解剖结构的识别，提升手术效率。
4. Biomarker研究及发现成果
本研究聚焦于人工智能辅助外科手术决策的技术验证，未涉及生物标志物（Biomarker）的筛选、验证或功能机制研究，因此无相关研究内容与成果。