人工智能辅助内镜垂体手术中的术野解剖识别
【神麻人智】人工智能辅助内镜垂体手术中的术野解剖识别
研究比较了人工识别与AI辅助识别在内镜垂体手术中的效果,发现AI辅助显著提升医学生和初级医生的解剖识别能力,专家也从中受益。该技术有望用于外科教育,提高手术安全性。

摘要
垂体肿瘤周围毗邻重要的神经血管结构,术中识别这些结构具有挑战性。我们此前已开发出一种能够实现鞍区解剖分割的人工智能模型。本研究旨在应用该模型,并探讨人工智能辅助对临床医生解剖识别能力的影响。参与者需在六张图像上标注鞍区,初始阶段无辅助,随后在人工智能辅助下完成标注。计算平均DICE评分及标注区域涵盖鞍区质心的比例。共招募六名医学生、六名初级受训者、六名中级受训者和六名专家。鞍区识别整体上从无人工智能辅助时的DICE评分70.7%提升至有人工智能辅助时的77.5%(+6.7;p < 0.001)。医学生对人工智能辅助的使用率最高且获益最大,DICE评分从66.2%提升至78.9%(+12.8;p = 0.02)。该技术有望增强外科教育教学效果,并最终作为术中决策支持工具加以应用。
背景
垂体肿瘤是最常见的颅内肿瘤之一,位于人体解剖结构密集的区域。此类肿瘤常压迫、扭曲或包绕周围重要的神经血管结构,如视神经和颈内动脉,常表现为视力缺损等症状。手术最常采用经鼻蝶入路,术中识别并保护这些结构是核心操作步骤,对防止损伤至关重要。
术中识别这些结构可借助解剖标志,尤其是这些解剖结构在蝶骨底壁上形成的压迹。然而,这些骨性标志存在变异(如蝶窦气化程度和分隔的差异),且常被肿瘤扭曲,尤其是巨大腺瘤,从而使术中解剖定位面临挑战。同样,既往颅底手术、放疗或伴发的鼻窦病变也可能扭曲局部结构,进一步增加识别难度。
近年来,经鼻蝶手术取得了诸多技术进步,其中许多有助于术中导航和保护周围重要组织。首先,内镜入路的使用改善了狭长经鼻通道末端的视野宽度。然而,大多数内镜为二维成像,因而缺乏深度感知。同样,图像引导手术系统(即“神经导航”)的应用可基于术前影像辅助解剖定位,但无法反映术中组织移位。此外,在选择性病例中可使用微多普勒(用于识别动脉/静脉结构)和神经生理监测(如视神经监测),其优势在于“实时”,但需要额外设备和专业技能。
近年来,计算机视觉和机器学习(尤其是深度学习)越来越多地用于分析手术视频数据,识别手术步骤、解剖结构和器械。该技术有望实现实时性并无缝整合至现有手术流程中。鼻腔结构的自动识别此前已有探索,但尚未实现对关键鞍区及鞍旁结构的识别。我们此前已开发出一种临床前人工智能(AI)模型,能够准确识别鞍区解剖结构。在这项临床前IDEAL(Idea、Development、Exploration、Assessment、Long-term study)0期研究中,我们旨在应用该AI模型,并评估其作为AI助手在内镜垂体腺瘤切除术中辅助临床医生识别解剖结构的性能。
方法
从本中心招募六名医学生、六名初级神经外科受训者(培训前三年,无垂体手术正式亚专科经验)、六名中级受训者(培训超过三年,但无垂体手术正式亚专科经验)和六名专家(具有垂体手术亚专科培训的顾问或高级研究员)。从保留数据集中随机选取六个视频病例,并从每个视频的可用视频图像中选取一帧。由于血液、黏膜、骨性分隔和器械遮挡、病理扭曲或解剖变异,并非所有图像均能显示整个鞍区。因此,每帧的选择基于其清晰度,即最小程度的模糊和遮挡(来自血液、黏液等)。该六图像数据集以随机顺序呈现给每位参与者。
在第一轮(纯人工)中,24名人类参与者中的每一位被要求使用Touch Surgery™生态系统多边形标注平台,在无任何辅助的情况下,在六张图像中的每一张上勾画鞍区轮廓。若鞍区部分被遮挡,参与者被指示绕开任何遮挡物勾画。随后立即进行第二轮(AI辅助),将AI模型的输出(预测的鞍区轮廓)叠加到每张图像上其现有的标注之上,并邀请参与者保留其现有标注或根据AI识别结果修改其标注(图1)。

图1 | 本研究使用的六张图像,按呈现给人类参与者的顺序排列(1–6)。 上排“图像”行显示无任何AI辅助的图像——该图像呈现给参与者,由其对解剖结构进行多边形标注。下排“AI预测”行显示带有AI预测鞍区分割的图像,该图像以叠加层形式呈现于参与者的解剖标注之上。
对纯人工与人工+AI辅助的鞍区标注进行比较分析,以前述多轮专家共识标注(可用的最佳真实标注)为评判标准。计算每个亚组(医学生、初级受训者、中级受训者和专家)在有无AI辅助下的平均DICE评分。使用Wilcoxon符号秩检验比较各组及各亚组的DICE评分,保持每个参与者-图像组合的配对。计算每个亚组在有无AI辅助下,六张图像中鞍区标注涵盖真实标注质心(即包含鞍区中部近似位置)的参与者数量——使用McNemar检验进行比较。统计分析使用Python 3.8和R统计编程语言进行。
此外,对AI辅助后标注改变的发生率以及这些改变对鞍区识别DICE评分的影响进行了描述性探索。最后,通过计算AI辅助前后的假阳性和假阴性预测进行误差分析。
假阳性预测定义为参与者标注为鞍区、但与真实鞍区标注不重叠的区域。假阴性预测定义为真实鞍区标注中与参与者鞍区标注不重叠的区域。两者均以真实标注与参与者标注之间重叠总合并面积的百分比计算。
结果
一般特征
共有24名参与者参加了这项临床前比较研究,包括来自同一家三级神经外科中心的6名医学生、6名初级神经外科受训者、6名中级受训者和6名专家(17名男性,7名女性)。
纯人工与AI辅助解剖识别的比较评估
当仅考虑鞍区质心(而非识别整个鞍区)时,大多数参与者在无AI辅助下将其纳入标注范围(19/24名参与者,79.2%),在AI辅助下以统计学显著性提升至24/24(100%)(p = 0.025)(图2)。医学生和初级受训者改善最为明显:两组各有4/6参与者在无AI辅助下识别出鞍区质心,AI辅助下每组6/6参与者均能识别(+33.3%;p = 0.157)。中级受训者改善幅度较小(AI辅助前5/6名参与者,AI辅助后6/6名参与者;p = 0.317)。所有专家在有无AI辅助下均能识别鞍区质心。

图2 | 各亚组参与者在六张图像上AI辅助前后鞍区标注的热图。 标注间高度一致性区域以黄色显示,表示该亚组参与者鞍区标注之间存在显著重叠。为便于参照,图中展示了真实标注(白色边框)和AI建议标注(黑色边框)的轮廓。各亚组AI辅助前后热图的比较,概括了AI辅助后所产生的空间变化。
关于整个鞍区识别,无AI辅助时,专家的DICE评分最高(73.4%,SD 7.8),其次为初级受训者(72.1%,SD 13.6)、中级受训者(71.6%,SD 18.0)和医学生(66.2%,SD 13.0)(表1)。总体上,各亚组鞍区识别均有所改善,DICE评分从无AI辅助时的70.7%提升至有AI辅助时的77.5%(+6.7;p < 0.001)。医学生从AI辅助中获益最大,DICE评分从无AI辅助时的66.2%提升至有AI辅助时的78.9%(+12.8;p = 0.02)。初级受训者改善幅度居第二,从无AI辅助时的72.1%提升至有AI辅助时的80.1%(+8.1;p < 0.001)。其次是中级受训者,从无AI辅助时的71.6%提升至有AI辅助时的76.3%(+4.8;p = 0.001)。专家改善最小,从无AI辅助时的73.4%提升至有AI辅助时的74.5%(+1.2;p = 0.032)(表1)。
表1. 无AI辅助与有AI辅助下全鞍区识别的平均DICE评分

总体而言,76/144(53.8%)的鞍区标注在AI辅助后发生了改变。医学生和初级受训者在AI辅助后更可能改变其标注——25/36(69.4%)的标注发生改变,而中级受训者为12/36(33.3%),专家为14/36(38.9%)。考察这些鞍区标注改变的正负向影响可见,医学生最有可能因AI而改善DICE表现(66.7%的图像),但也最有可能因AI而降低表现(22.2%的图像),11.1%的图像表现无变化。相反,专家因AI辅助而改变表现的可能性最低(47.2%的图像),其表现仅在36.1%的图像中有所改善,但AI辅助后表现下降的比例最低(16.7%的图像)——与高级受训者持平。高级受训者在16.7%的图像中因AI辅助而表现下降,但在大多数图像中表现改善(38.9%)或无变化(44.4%)。中级受训者在AI辅助后61.1%的图像中表现改善,19.4%无变化,19.4%表现恶化。
在AI辅助下,假阳性和假阴性误差总体均有所减少;除医学生外,所有组别的假阳性误差降低幅度均大于假阴性误差(表2)。图2展示了AI辅助对各参与者亚组假阳性和假阴性误差影响的空间特征。
表2全鞍区识别中AI辅助前后假阳性和假阴性误差分析汇总

讨论
本研究首次比较了内镜垂体腺瘤手术中人工识别与AI辅助术中解剖识别的效果。研究发现,AI辅助可提升不同专业水平者对鞍区(安全进入区)的识别能力。同样,AI辅助似乎减少了假阳性和假阴性误差的发生率,支持其提升手术安全性的潜力。假阳性误差降低幅度更大,这一结果令人欣慰,因为临床上此类误差更为危险——例如,因错误地将关键非鞍区结构(如颈内动脉)识别为鞍区安全进入区的一部分而导致意外损伤。
手术安全依赖于术中解剖结构的识别与清晰界定。在垂体手术中,这种解剖识别有助于安全打开并进入鞍区,实现最大程度的安全肿瘤切除,同时避免对关键神经血管结构造成附带损伤。然而,这种解剖识别往往具有挑战性——现代实践中众多辅助手段的使用(如神经导航和微多普勒)即反映了这一点。一种实时、AI驱动、基于视觉的解剖结构增强现实显示,可能与现有辅助手段协同使用,成为改善手术解剖识别和手术安全的有用工具。这可在术中作为外科医生的决策支持,按需切换显示解剖预测,或作为预警系统, potentially 减少肿瘤进入和切除过程中的附带损伤(如颈动脉损伤)。
AI辅助的最大获益体现在非专家群体中,且获益程度与专业水平呈反比——无论对于鞍区中心还是整个鞍区的识别均如此。医学生对AI辅助的使用率和获益程度均最高,其次为初级受训者和高级受训者,其AI辅助下的表现达到专家水平。这凸显了该技术在此背景下用于培训的潜力。解剖结构的知识与识别是外科培训的核心要义,但大多数资源集中于精选和策划的解剖标本与图谱用于教学,越来越多地使用AI自动标注解剖结构以增强此类教材的教学效果。本研究展示了AI在当代手术图像上显示解剖结构的应用,这些图像包含解剖识别的日常挑战(如出血、模糊、器械遮挡)。离线状态下,这可用于生成真实手术解剖的索引图像,供受训者在术前提升解剖识别技能。同样,这可纳入针对特定手术的教育评估中。此外,随着AI模型性能的进一步优化,并通过与增强现实技术结合,这种解剖识别叠加层可在术中实时显示给受训者,以补充其学习。
研究优势与局限性
本临床前比较研究具有多项优势。首先,据我们所知,这是首个针对颅底解剖识别的AI驱动决策支持工具的比较研究。此外,我们采用交叉设计以匹配研究组的基线特征,并获得了不同专业水平的多样化临床医生样本。然而,本研究也存在诸多局限性。评估仅限于一所学术教学医院环境中24名参与者的各6张图像,未来研究应纳入更多参与者、跨多个中心,并在可能的情况下进行更大规模的评估。此外,目前所有鞍区预测均为离线、基于静态图像,未来迭代将借助更大数据集和优化AI模型,聚焦于在实时视频上显示AI识别结果,并配备契合外科医生需求的用户界面,以及涵盖安全性、有效性和效率的评估指标。
结论
在这项临床前比较研究中,我们证明了AI辅助在内镜垂体手术颅底解剖识别中对学生、受训者和专家的实用性。使用者经验越少,从AI辅助中获益越多——无论是在表现提升还是安全性改善方面。借助AI辅助,受训者能够达到专家级解剖识别水平。因此,该技术有望用于增强外科教育,既可用于离线复习,也可用于实践中的实时学习。未来仍需进一步工作以改善实时模型性能、显示用户界面以及与其他解剖识别辅助手段的整合,最终作为术中决策支持工具加以应用。
原文链接:
Khan DZ, Valetopoulou A, Das A, et al. Artificial intelligence assisted operative anatomy recognition in endoscopic pituitary surgery. NPJ Digit Med. 2024 Nov 9;7(1):314. doi: 10.1038/s41746-024-01273-8. PMID: 39521895; PMCID: PMC11550325.
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn