摘要：Ma, R., Collins, J.W., Hung, A.J. (2022). The Role of Artificial Intelligence and Machine Learning in Surgery. In: Wiklund, P., Mo

Ma, R., Collins, J.W., Hung, A.J. (2022). The Role of Artificial Intelligence and Machine Learning in Surgery. In: Wiklund, P., Mottrie, A., Gundeti, M.S., Patel, V. (eds) Robotic Urologic Surgery. Springer, Cham. https://doi.org/10.1007/978-3-031-00363-9_9

摘要

人工智能（AI）已广泛渗透至生活的各个领域，其与医学的融合在近年来取得了显著成就。本文全面综述了 AI 在外科领域的应用，涵盖手术候选者选择、智能术中辅助、自主手术、手术结果预测和手术教育等多个方面。同时，分析了 AI 应用面临的数据隐私、模型透明度、算法偏见以及责任归属等挑战，并对未来发展方向进行了展望。AI 与外科的交叉领域发展迅速，有望极大地优化手术安全和质量，虽然面临诸多挑战，但随着技术的不断进步和多学科协作的深入，其应用前景广阔。

一、引言

人工智能几乎已渗透到我们生活的方方面面，从互联网搜索引擎、社交媒体渠道、面部识别，到自动驾驶汽车，甚至语言翻译。其通常指机器（通常是计算机）在感知环境后，为实现预定目标，自主复制人类典型认知过程以决定行动的一般能力。

在过去几年中，AI 与医学的结合取得了令人瞩目的成果，如在图像诊断算法上达到甚至超越人类水平，基于大数据准确预测姑息治疗患者 1 年死亡率，以及 AI 临床医生优化 ICU 中脓毒症的治疗策略等。

外科领域也不例外。近年来，AI 及其相关的计算机科学技术，如机器学习、深度学习、强化学习和计算机视觉，已广泛应用于外科领域，包括术前手术候选者选择、手术评估与培训、手术结果预测、智能术中辅助，甚至自主手术。这些应用统称为外科 AI。本文将深入探讨外科 AI 的各个方面，并阐述其在过去几年中的进展。

二、外科医生眼中的人工智能

AI 乍看之下可能很神秘，但实际上与传统统计模型密切相关，医生应该能够识别。一般来说，根据能力范围，AI 可分为狭义 AI、通用 AI 和超级 AI 。

目前使用的 AI 大多为狭义 AI，它们被设计用于解决特定任务，如 AlphaGo 专门用于围棋并成功击败了人类顶尖棋手。通用 AI 理论上应能够解决人类可以完成的任何任务，甚至是那些我们尚未想到的任务。而超级 AI 则被定义为在解决任何智力任务方面都优于人类的能力。由于后两种 AI 概念仍处于理论阶段，在现实中尚未存在，因此在本文中，AI 仅指狭义 AI。

机器学习（ML）作为 AI 的一个子领域，涉及算法的开发和部署。这些算法不是通过明确编程来针对特定输入（感知环境）分配特定输出（行动），而是自行分析数据及其属性以确定行动，从而不断从数据中学习。

ML 算法根据输出是否由人类标记，可进一步分为监督学习（有标记）或无监督学习（无标记）。监督学习（如朴素贝叶斯分类、支持向量机和随机森林）常用于预测临床结果，而无监督学习（如 k - 均值聚类、主成分分析和自动编码器）常用于在复杂数据（如基因组学数据）中搜索模式。

人工智能 （AI） 和机器学习

深度学习（DL）则是指模型结构，它是一种受人类生物神经系统启发的人工神经网络形式。这些模型由多个层组成，每一层接收、处理信息并将其输出到下一层。第一层的输入是感兴趣的数据集，而最后一层的输出是感兴趣的结果。DL 常用于图像分析。

强化学习（RL）同样指模型结构，但其通常处于交互式反馈循环中，模型会因其行动而获得奖励或惩罚。模型最终会在每次迭代中学习到最佳行动。文献中报道了两种形式的 RL—— 直接从专家行动中学习的隐式模仿学习，以及通过推断专家意图进行学习的逆强化学习。RL 在自主手术中具有潜在应用价值。

计算机视觉旨在让机器以类似于人类的方式从视频或图像中发现和学习信息。AI 在医学领域的一些重大成功应用来自计算机视觉，包括诊断病理学、放射学和自主手术。

自然语言处理是 AI 的一个子领域，强调构建计算机解析和理解人类书面和口语语言的能力。在医疗保健领域，它主要用于挖掘电子健康记录。

这些 ML 算法的一个优点是它们能够灵活处理不同来源的输入。近年来，外科技术和电子医疗数据库的进步在外科领域产生了大量、多样的数据，包括手术视频、音频、器械运动学、外科医生生物特征和详细的患者特征。ML 与 “大数据” 的结合已经并将继续对医学产生巨大影响。

机器学习在外科领域的应用

三、人工智能在手术候选者选择中的应用

借助从医学成像和电子健康记录中获取的大量数据，ML 已显示出有助于术前手术候选者选择的能力。

AI 在该领域的第一个应用是促进准确的术前诊断，从而避免不必要的手术。例如，术前区分良性肾肿块（如嗜铬细胞瘤和血管平滑肌脂肪瘤）与肾细胞癌可能具有挑战性，但这对治疗选择至关重要。一些研究表明，ML 模型在这方面的表现与影像专家相当甚至更优。Feng 等人利用定量纹理分析，基于术前 CT 区分小的良性病变（如少脂肪血管平滑肌脂肪瘤）与肾细胞癌。该模型利用支持向量机建立判别分类器，AUC 达到 0.955。Nityanand 等人利用随机森林、逻辑回归和支持向量机三种不同算法，基于 CT 辅助对囊性肾肿块进行 Bosniak 分类。所有模型在区分良性（Bosniak I 或 II）与潜在恶性病变（Bosniak IIF、III 或 IV）时，均达到了中等灵敏度（0.56 - 0.67）和高特异性（0.91 - 0.93）。此外，一些研究旨在术前识别低 Fuhrman 核分级（I 和 II）与高 Fuhrman 核分级（III 和 IV）的肾细胞癌，以帮助在积极监测与手术之间做出决策。通过平扫 CT，一项研究的 AUC 达到 0.71，而通过三相 CT，另一项研究的 AUC 达到 0.87。

AI 的第二个应用是通过术前风险因素预测手术发病率和死亡率。例如，根治性膀胱切除术复杂且术后死亡率高达 8%。识别合适的手术候选者对于降低手术死亡率至关重要。Klen 等人使用 ML 模型，确定了根治性膀胱切除术后早期（

最后，AI 可以从现有数据中学习，并为患者提供类似病情患者选择的管理策略。基于大规模临床注册数据，密歇根泌尿外科手术改进协作组（MUSIC）训练了一种 ML 算法，可为新的前列腺癌患者提供个性化治疗方案。该小组创建了一个基于网络的平台 askMUSIC（http://ask.musicurology.com），向患者告知具有相似人口统计学和临床病理特征的其他前列腺癌患者在积极监测、根治性前列腺切除术、放射治疗和雄激素剥夺治疗之间的选择百分比。在他们的验证队列中，预测的 AUC 达到 0.81。尽管这项研究的目的是为面临艰难治疗选择的患者提供数据驱动的信息，但该方法也有可能用于开发 AI 治疗决策算法。

四、人工智能在智能术中辅助中的应用

决策是手术成功的重要方面。凭借强大的计算能力和对广泛数据源的兼容性优势，AI 有潜力提供各种智能辅助，以促进术中决策。

利用短波拉曼光谱数据，一种 AI 算法已在实验室环境下经过训练，能够以高精度（92.5%）区分恶性肾肿瘤与正常肾组织。由于该技术不需要改变手术室的任何特殊照明条件，它有可能加快部分肾切除术中手术切缘检查的过程，甚至取代传统的冰冻切片病理检查。

AI 在术中辅助的另一个方面是识别手术解剖结构。Altieri 等人从 63 个腹腔镜胆囊切除术视频中注释了 264 帧关于安全与危险解剖区域的信息，并训练了一个 AI 模型，以超过 95% 的准确率识别这些区域。这项技术最终可能为手术学员提供术中指导，并减少不良事件的发生。

最后，AI 已与增强现实（AR）结合用于促进术中决策。Porpiglia 等人将术前 mpMRI 重建为 3D 前列腺模型，并在机器人辅助根治性前列腺切除术（RARP）期间将其叠加到达芬奇手术控制台视频上，使外科医生能够直接可视化前列腺癌的位置。他们的初步研究显示了 3D 重建的精度和准确识别包膜外扩展位置的能力，但图像叠加过程在手术中是手动完成的。在后来的研究中，他们通过训练计算机视觉算法将虚拟 3D 模型锚定到前列腺的实时手术视图上，实现了这一过程的自动化。作者指出，这项技术不仅可用于前列腺手术，还可用于机器人部分肾切除术，特别是对于内生性或后部肿瘤。尽管还需要进一步验证，但 AI 与 3D AR 的结合有望推进术中导航，并有助于优化肿瘤控制与性功能保留之间的平衡。

五、人工智能在自主手术中的应用

5.1 自主性

与自动驾驶类似，手术机器人也有不同级别的自主性。一个普遍接受的框架将机器人手术的自主性从 0 级（无自动化）到 5 级（完全自动化）进行分类 。

0 级（无自主性）：操作员负责所有职责，包括监测、提出性能替代方案、选择执行哪个选项（决策）以及执行决策。

1 级（机器人辅助）：操作员始终保持对系统的控制，机器人以特定方式提供协助。

2 级（任务自主性）：操作员对系统保持离散控制，机器人可以自动完成操作员启动的指定任务。

3 级（条件自主性）：外科医生选择并批准手术计划，机器人在人类外科医生的监督下自动执行手术。

4 级（高度自主性）：机器人可以自行做出决策，但仅在有能力的操作员协助下。

5 级（完全自动化）：无需人工干预，机器人可以执行整个手术过程。

在泌尿外科中，最常用的机器人系统 —— 达芬奇手术系统（美国加利福尼亚州桑尼维尔的直觉外科公司）目前处于 1 级自主性（外科医生辅助），它协助外科医生实现放大可视化、提高灵活性和减轻器械震颤，但不自动化任何任务。除了达芬奇机器人手术系统外，许多新的机器人系统，如 Senhance（美国北卡罗来纳州莫里斯维尔的 TransEnterix Surgical Inc.）、Versius（英国剑桥的剑桥医疗机器人有限公司）、Revo - I（韩国龙仁的 Meere Company Inc.）和康多手术机器人 - 01（中国苏州的苏州康多机器人有限公司）已在各自国家获得人体使用批准。其中一些新系统比达芬奇系统具有更高的自主性。例如，Senhance 使用眼动追踪来自动化摄像头移动，据报道这对手术的视觉流程有帮助。另一个新批准的半自主经尿道前列腺水切除术机器人 Aquablation™（美国加利福尼亚州红木海岸的 Procept BioRobotics）将手术机器人的应用扩展到了腔内泌尿外科。外科医生只需通过勾勒要切除的组织来创建手术计划，然后机器人将使用高压、非加热盐水自动切除组织。研究表明，该手术的操作时间和症状缓解与传统经尿道前列腺切除术（TURP）相当，但并发症发生率更低（25.9% 对 41.5%，p

手术机器人的快速发展为将 AI 融入手术室提供了新的机会。手术机器人产生的丰富多样的数据为开发、训练和验证 AI 算法提供了良好的基础。而 AI 具有从先前经验中学习和处理新数据的独特能力，形成一个自我延续的循环，就像外科医生在日常实践中成长一样。具体而言，计算机视觉和强化学习是自主手术中最常用的模型 —— 前者可以感知手术环境并识别手术平面，后者可以从外科医生的示范中或以试错方式学习手术技术。机器人自主性的一个传统理论是 “感知 - 思考 - 行动范式” 。

5.2 感知

在当前实践中，机器人手术中最重要的 “感知” 是视觉。为实现自主视觉，需要解决两个方面的问题 —— 自动摄像头定位和视觉识别。

自动摄像头定位方面，Wang 等人开发了一种基于机器人摄像头与器械臂运动学关系的自动跟踪算法来导航机器人摄像头。然而，这种方法受到准确获取器械 / 摄像头坐标的限制，在某些机器人系统中难以实现。另一种方法是通过视频输入。Rivas - Blanco 等人利用强化学习训练一个磁控摄像头，根据器械运动的视觉信息自动导航，该系统通过在猪身上的体内实验得到了验证。这种方法的缺点是在手术过程中可能会出现器械或视觉标记被遮挡的情况。为解决这个问题，Sun 等人开发了一种基于计算机视觉的预测模型，以预测器械在被血液遮挡时的轨迹。通过预测，机器人摄像头可以自动调整到合适的位置，从而解决了视觉部分被遮挡时摄像头导航自动化的难题。Wagner 等人的另一项研究开发了一种具有学习能力的认知摄像头，它可以根据外科医生的需求优化摄像头位置。该系统的性能和效率随着经验的增加而提高。

视觉识别方面，Samiei 等人利用计算机视觉策略在手术中识别不同的解剖结构。通过将 AI 与其新颖的分子化学成像内窥镜相结合，该内窥镜包括分子光谱和数字成像，该算法在活猪模型中成功区分了输尿管、淋巴结、血管和神经束等解剖结构，AUC≥0.90。他们技术的优点是无需造影剂或特殊照明条件。这项技术有潜力增强外科医生区分结构的能力，避免医源性损伤，并实现机器人自主视觉。视觉识别的另一个方面是识别器械的位置。乍一看似乎很容易，但实际上这项任务具有挑战性。最近由深度神经网络架构开发的一种逐像素器械分割技术在这方面显示出了潜力。Sun 等人的另一项研究进一步降低了算法的计算负担，使其更易于实时执行。

5.3 思考

轨迹规划很重要。在感知外部信号后，机器人需要制定合理的计划，以确定如何移动器械来完成既定任务，同时避免与其他器械或周围组织碰撞。目前的研究表明，在静态条件下规划轨迹相对容易，但在动态环境中规划轨迹可能很困难。为解决这个问题，Baek 等人将强化学习与概率路线图相结合。利用强化学习处理不确定性的能力，该算法实现了实时无碰撞路径规划，以自动化解剖任务。

5.4 行动

在行动阶段，自主系统能够自发控制和调整组织张力至关重要。Thananjeyan 等人利用强化学习在图案切割任务中优化张力调整策略，并将该算法与传统的固定和解析算法进行了比较。他们得出结论，强化学习算法在张力调整的性能和鲁棒性方面均优于传统方法。另一个小组进一步开发了强化学习算法，允许多点抓取，而不是单点抓取，从而进一步提高了模型的性能和鲁棒性。

5.5 训练 AI 模型

就像训练外科医生一样，训练 AI 需要反复练习。如前所述，强化学习（RL）是自主手术中最常用的模型。学习过程通过试错、示范或两者结合的方式进行。Shin 等人比较了从专家手术示范中学习的模型与从试错中学习的模型，发现专家示范帮助模型比纯粹的数据驱动学习更快，突出了专家外科医生在 AI 学习过程中的重要作用。Pedram 等人的另一项研究将这两种方法结合起来，发现通过外科医生指导的简单直观特征的初始选择，混合机器学习算法可以在多种组织动态情况下成功训练。这种协同学习模型可能成为一种有效的工具，在保持系统最佳性能的同时，减少外科医生训练 AI 的时间成本。

六、人工智能在手术结果预测中的应用

手术结果预测在外科领域并不新鲜。通过传统统计模型（如逻辑回归和 Cox 回归），已经建立了多个预测列线图来估计患者的手术结果。AI 模型的优势在于其有可能提高预测准确性，不受严格统计假设的限制，以及对数据分布的灵活性。由于这些优势，AI 可以结合新的术中手术数据和传统患者特征，以更准确的方式预测术后结果。

例如，Hung 等人使用术中机器人系统数据（如能量使用和摄像头踏板计数）和运动学数据（如器械速度和手腕关节活动），即自动性能指标（APMs），训练了一个 ML 模型，该模型能够准确预测 RARP 术后的住院时间。同一小组随后利用 APMs 结合患者特征来预测 RARP 术后的尿失禁恢复情况。预测准确性为中等，有趣的是，前十个预测特征均来自 APMs。这些结果在一项双机构研究中得到了进一步验证。此外，据报道 APMs 与机器人辅助部分肾切除术（RAPN）的术中结果相关，下一步将是预测术后结果。这些研究突出了手术表现对手术结果的重大影响，并表明了 AI 模型在挖掘术中数据方面的巨大潜力。

另一个例子是，Soguero - Ruiz 等人使用自然语言处理（NLP）自动梳理电子病历（即手术报告和病程记录），以准确预测结直肠切除术后的吻合口漏。该模型的灵敏度达到 100%，特异性达到 72%。这项技术可以在灾难性并发症实际发生之前检测到，为有效管理赢得时间。

然而，AI 也有其局限性。首先，它牺牲了模型的透明度。大多数 AI 算法就像一个 “黑匣子”，人类无法解释模型内部发生了什么。因此，AI 大多用于结果预测，而不是生物过程的推断。其次，过拟合是一个问题。大数据增加了混杂因素的可能性，而 AI 模型的隐含性质放大了 “假阳性” 发现的可能性。应仔细进行变量的预选择，以避免错误发现。

七、人工智能在手术教育中的应用

传统的手术技能评估和绩效评估是手动进行的，这既耗时又容易受到观察者偏差的影响。AI 为这两个问题提供了理想的解决方案。利用从手术中获得的大数据（即视频片段和器械运动学），ML 模型开始在新型手术评估中发挥重要作用。然而，在训练中的应用也存在风险，包括数据和隐私问题、透明度、偏差、问责制和责任。

7.1 视频分割

手术视频具有教育价值。通过回顾手术视频，可以提供形成性评估，改进手术技术，并提高患者预后。然而，从手术视频中组织和查找相关片段通常很耗时，这成为常规利用视频改进手术技术的主要障碍。

ML有潜力通过自动分割和识别关键步骤来降低手术视频审查的时间成本。例如，Zia等人应用机器学习模型将机器人辅助根治性前列腺切除术（RARP）自动分割为12个手术步骤。与专家注释相比，该模型对大多数RARP步骤的注释误差小于200秒。Khalid等人利用ML模型对约翰霍普金斯大学 - 南加州大学手势与技能评估工作集（JHU - ISI Gesture and Skill Assessment Working Set，JIGSAWS）中的手术任务进行分类，该工作集包括在实验台上进行的达芬奇机器人缝合、打结和穿针任务。该模型取得了高精度的结果（精确率91%，召回率94%）。使用相同的数据集，Wang和Majewicz Fey以相似的准确率预测手术任务类型。然而，他们的ML方法仅需1 - 3秒进行数据解读，这使其特别适用于主动的总结性反馈。AI甚至能够在手势层面识别手术中最基本的动作。Luongo等人训练基于深度学习的计算机视觉算法，以0.87的AUC识别不同的解剖手势。一项更新的研究使用计算机视觉识别手术中的重要临床片段。Mascagni等人基于专家注释的腹腔镜胆囊切除术关键安全视图训练了一种算法，以91%的准确率自动定位重要视频片段。总体而言，使用ML方法分割手术视频可能会推动工作流程朝着标准化、高效性和客观性发展。

7.2 自动化手术技能评估

手术数据通常包含三个层面：运动学、视频片段和外科医生生物特征。研究一直在使用AI模型分析这些数据，旨在量化专业技能水平。器械运动学指标通常用于测量器械的运动，如移动距离、移动速度、加速/减速、Endowrist®关节活动以及加加速度（加速度对时间的导数） 。在实验室环境中，Fard等人使用ML分析JIGSAWS中原始的器械运动学数据，以超过90%的准确率预测专业技能水平。在临床环境中，Hung等人表明，在RARP手术中，专家外科医生在几乎所有这些指标上的表现都明显优于新手（例如，器械路径长度更短、时间更短、速度更快）。该团队利用ML模型，根据最重要的运动学指标对八位外科医生重新进行排名，发现新的排名与尿失禁恢复情况的相关性比根据外科医生经验进行的排名更好。Chen等人利用缝合和亚缝合层面的运动学指标来预测专业技能水平。他们发现亚缝合指标能够更好地区分专家和新手。随着微创手术的发展，手术视频变得易于获取。使用AI分析手术视频可以成为一种有效的手术评估方式。Baghdadi等人通过计算机视觉算法实现了盆腔淋巴结清扫术的自动评估。与专家给出的评分相比，他们的模型准确率达到83.3%。在一项有趣的研究中，Jin等人从手术视频中提取器械运动学指标。他们首先利用基于区域的卷积神经网络在真实世界的腹腔镜手术视频中检测器械，然后成功提取了器械的运动范围和运动经济性。最后，他们研究了这些提取的指标与专家给出的手术质量评分之间的关系，发现它们之间存在明显的关联。另一种评估外科医生熟练程度的方法是通过生物特征，其反映了外科医生的内部反应。AI在这一领域也显示出了潜力。Richstone等人记录了外科医生在手术过程中的眼部数据，包括模拟任务和肾脏手术中的眼球运动、眨眼、注视和扫视以及瞳孔大小变化，然后利用线性判别分析和非线性网络分析来区分专家和新手外科医生。在模拟手术环境中，模型的准确率超过90%；在实际手术室环境中，准确率超过80%。Koskinen等人的另一项研究发现，仅根据缝合层面的瞳孔直径变化，ML模型支持向量机分类器就能够以75%的准确率区分专业技能水平，而增加眨眼率并将眼部数据进一步细分为亚缝合粒度未能提高预测准确性。

7.3 自动化训练

反馈使用AI提供有用的实时反馈的研究仍处于起步阶段，大多数研究具有探索性质。改变现状的机会存在于这一领域，等待研究人员去探索。Fawaz等人基于卷积神经网络开发了一种新模型，通过提取学员在机器人手术中动作的潜在模式来对外科手术技能进行分类。该模型的新颖之处在于它利用了一种称为类激活图的技术，该技术可以指出手术的哪些部分对预测结果影响最大，从而让学员了解应重点练习的地方。

八、挑战与未来方向

尽管机器学习前景广阔，但仍然存在巨大的障碍和局限性。

8.1 数据与隐私

ML模型通常需要大量数据用于初始训练、持续验证和进一步改进。这些数据可能需要在多个机构之间共享，甚至可能在全国范围内共享。在这个过程中，数据隐私是一个重大问题，尤其是在遭受网络攻击时可能会被泄露。与数据隐私相关的问题需要通过医院遵循数据保护官员为外科医生和患者制定的规则和指南的协议来解决。可以通过以标准化方式收集数据来改善数据质量（如表1所示）。在机器人手术训练中，这可以通过标准化的机器人课程、培训师培训课程以及定义手术训练的统一指标来实现，这些指标可以与遥测数据相匹配，并在计算机视觉分析中更容易解释。

8.2 透明度与可重复性

监督学习ML模型的准确性高度依赖于人类标注的标签。因此，模型的训练过程如何透明，对于其他人批判性地评估模型至关重要。此外，大多数ML算法就像一个“黑匣子”，缺乏传统统计模型的透明度，这意味着如果出现任何问题，人类可能无法解释原因。采用关键指标手术的标准化性能指标将有助于提高透明度和可重复性。为实现这一目标，指标需要是开源的，并在已建立的机器人手术网络的数据登记处汇总在一起。在医疗保健领域，如诊断成像，共享开源材料的研究网络已经建立。

8.3 偏差与不平等

据报道，AI技术存在算法偏差的可能性，并可能通过强化基于种族、性别或其他特征的歧视性做法带来医疗不平等。训练数据和模型可解释性的透明度将有助于评估潜在的偏差。机器学习可以成为解决已识别偏差的一种方法。最近的德尔菲共识观点得出结论，AI可以避免人类评估中可能出现的某些偏差，但在其他方面可能更糟。在德尔菲小组成员中，100%的人一致认为，确认偏差和解释偏差在AI中会更好或至少相同。然而，有人担心预测偏差和信息偏差在AI中可能更糟或相当。

8.4 问责与责任

如果患者因基于AI的技术而遭受不良事件，目前尚不清楚谁应承担责任。随着AI算法用于辅助医疗诊断、治疗策略甚至手术操作程序，责任将从主要由医生承担转变为医生、提供软件的供应商、构建算法的开发者，甚至训练数据的来源之间的共同责任。将AI应用于医学，特别是外科领域，不仅仅是一个技术问题，而是一个多维度的问题，必须由多学科团队来解决。对于外科医生来说，理想的角色是成为患者、数据科学家和监管机构之间的关键纽带。毕竟，没有人比医生更了解患者的需求以及最终可能使他们受益的技术。

九、结论

AI与外科的交叉领域发展迅速，蕴藏着优化手术安全性和质量的潜力。预测性机器学习模型已用于术前手术患者选择、术中智能辅助和术后结果预测。强化学习使手术机器人能够通过专家示范、试错或两者结合的方式自主学习手术程序，这在自主手术设计中非常有用。各种研究使用AI模型提供客观高效的手术评估，其根本目标是提供及时且有意义的手术反馈。随着计算机科学和外科技术的快速发展，AI在外科领域的应用才刚刚开始，未来有望通过持续的技术创新和多学科协作克服现有挑战，实现更广泛和深入的应用，为外科手术带来革命性的变革，最终造福患者。

来源：医学镜界