中华外科杂志编辑部 2025年07月25日 北京
本文内容已经过同行评议，以优先出版方式在线发表，可作为有效引用数据。由于优先发表的内容尚未完成规范的编校流程，《中华外科杂志》不保证其数据与正式版内容的完全一致。
【引用本文】李慕行, 邓润松, 原春辉. 人工智能在胰腺外科手术安全体系构建中的应用进展[J]. 中华外科杂志, 2025, 63(8): 756-760. DOI: 10.3760/cma.j.cn112139-20241129-00538.|.
人工智能在胰腺外科手术安全体系构建中的应用进展
李慕行邓润松原春辉（北京大学第三医院普通外科）
摘要：胰腺周边解剖结构复杂，手术操作难度高，构建手术安全体系对改善患者预后至关重要。近年来，人工智能发展迅速，其在术前诊断、术式规划、术中导航、术后管理及青年医师培训中展现出巨大潜力。人工智能通过分析术前影像学、穿刺病理学检查结果，可协助评估病变性质及其与周围结构的关系，模拟并制定手术策略；术中实现解剖结构实时识别、辅助决策，保障术中操作安全；术后管理中，人工智能可根据个体化特征进行精细化管理，助力患者快速康复。此外，人工智能联合虚拟现实技术，可辅助进行青年医师手术技能培训。然而，AI的应用仍面临数据质量、算法普适性及伦理规范问题，需建立标准化数据标注与多中心协作和监管机制，以期使人工智能技术在胰腺外科获得更好的应用。
【 关键词 】//人工智能；外科手术；胰腺手术；安全性
近年来，随着检查手段的进步和人民群众对健康的重视，以及居民饮食结构的改变、肥胖率的增加等，胰腺疾病发病率逐年升高。胰腺外科的手术操作复杂、风险高，构建胰腺外科手术安全体系，对提高手术安全性、改善患者预后具有重要意义。人工智能（artificial intelligence，AI）通过计算机系统模拟人类的学习过程，从大数据中提取特征，进行机器学习或深度学习，从而达到自动学习特定知识和技能的目的。AI是全球范围内正在兴起的一场技术革命，特别是以计算机视觉、自然语言处理、机器学习等为代表的AI技术在医疗领域的发展迅速，已渗透至医学影像、精准医疗、健康管理等多样化场景，成为提升临床医学诊疗水平的重要驱动力［1］。我们就当前AI在构建胰腺外科手术安全体系中的应用进行综述，并对今后AI技术在该领域的发展予以展望。
一、AI在胰腺手术术前评估中的应用
（一）术前诊断基于病史、影像学检查及穿刺病理学检查结果，通过AI建立诊断模型，对于明确手术适应证、判断手术时机、制定手术方案及规划手术路径等具有重要意义。具体而言，目前AI主要通过影像组学、穿刺病理组学、健康电子记录组学等方式，构建术前诊断模型，以提高术前确诊率并降低漏诊率。影像组学在胰腺导管腺癌术前诊断中的研究方兴未艾。在胰腺癌的诊断方面，Chen等［2］回顾性收集了自2006年1月至2018年7月的546例胰腺癌患者及2004年1月至2019年12月的733例健康人群的CT检查图像，通过深度学习开发出基于卷积神经网络分割的影像组学诊断模型，并与影像科医师的原始报告进行比较，在内部测试集中，诊断模型对胰腺癌的诊断灵敏度为89.9%、特异度为95.9%，曲线下面积（area under curve，AUC）为0.96。Korfiatis等［3］构建了基于三维卷积神经网络的增强CT胰腺癌诊断模型，测试集和模拟队列中诊断胰腺癌的AUC均为0.97，该模型在TCIA‑CPTAC、MSD及Pancreas CT三个公共数据库中进行验证，其AUC仍高达0.9，说明该模型具有较好的普适性和外推应用潜力。胰腺癌与自身免疫性胰腺炎的鉴别诊断往往是术前精准诊断的一大难题。Liu等［4］基于112例患者（48例自身免疫性胰腺炎和64例胰腺癌患者）的双期18F‑FDG PET/CT检查数据，通过支持向量机递归特征消除和线性支持向量机等方法构建AI诊断模型，诊断胰腺癌的AUC为0.966 8，灵敏度为85.31%，特异度为96.04%，在鉴别诊断胰腺癌与自身免疫性胰腺炎中具有良好的应用潜力。Li等［5］纳入了389例胰腺导管腺癌患者和123例胰腺腺鳞癌患者，提取其MRI及影像组学特征，建立了AI鉴别诊断模型，在训练集和验证集中鉴别诊断胰腺导管腺癌和胰腺腺鳞癌的AUC、灵敏度、特异度、准确率分别为0.96和0.94、76.74%和67.57%、93.38%和97.44%、89.39%和90.26%，该模型有助于无创区分胰腺导管腺癌和胰腺腺鳞癌并协助临床决策。超声内镜在胰腺肿瘤特别是胰头颈部肿瘤的诊断中发挥重要作用，但其准确率受操作者主观因素和病变相关因素的影响。AI可将超声内镜图像转换为可挖掘的数据特征，并进行识别，从而提高诊断准确率并进行实时预测［6］。Kuwahara等［7］报告了一个基于933例患者共22 000幅超声内镜图片的AI诊断模型，诊断胰腺癌的AUC可达0.90，灵敏度为94%，特异度为82%，可用于鉴别诊断胰腺导管腺癌与胰腺其他良性疾病。在胰腺神经内分泌肿瘤研究领域，Lopez‑Ramirez等［8］回顾性提取了135例胰腺神经内分泌肿瘤和135名健康对照者的CT图像，用于建立AI影像组学诊断模型，在测试集中，诊断胰腺神经内分泌肿瘤的灵敏度为90%，特异度为76%，AUC为0.87。在胰腺囊性肿瘤领域，识别需手术干预的患者是一大临床难题，Lavista等［9］通过训练公共数据集中的850例胰腺囊性肿瘤患者的影像学数据，建立了Explainable Boosting Machines模型，该模型与现有临床诊疗指南相比，在识别需紧密随访及需即刻手术干预的患者方面具有更高的预测效力，可降低59%的非必要手术，提高7.5%的需手术干预的预测效力。在穿刺病理组学方面，Zhang等［10］基于多中心的194例患者的5 345张图像，建立了一个深度卷积神经网络诊断系统，在内部验证中诊断胰腺肿瘤的AUC为0.958，扩展至外部验证中，AUC为0.948~0.976，提示其对穿刺病理学切片具有良好的诊断能力和可行性。此外，在肿瘤生物学标志物层面，AI研究亦有一定的进展。可通过AI进行无监督学习，筛选与胰腺癌具有相关的潜在标志物。Ney等［11］基于539例患者的血清样本，分析其中的蛋白水平，构建了由44个血清蛋白变量组成的胰腺癌诊断模型（训练集的AUC为0.98，灵敏度为99%，阳性预测值为92%，阴性预测值为99%；验证集的AUC为0.95，灵敏度为86%，阳性预测值为54%，阴性预测值为98%），较单独使用血清CA19‑9（AUC为0.79，灵敏度为67%，阳性预测值为32%，阴性预测值为97%；验证队列的AUC为0.80，灵敏度为65%，阳性预测值为49%，阴性预测值为95%）具有更好的诊断效力。在大语言模型方面，以ChatGPT为代表的生成式AI技术，以其海量的基础训练数据和出色的自然语言处理能力，在全球范围内掀起了一场技术变革。Junet等［12］构建了一个基于病历及辅助检查信息的AI预测胰腺癌患者术后实验室检查及复诊频次的系统，但受样本量限制，尚未大规模验证应用。大语言模型在自动生成辅助检查报告、书写手术记录及判断术后并发症和远期预后方面的应用价值需进一步挖掘探索。
（二）术式规划AI在模拟手术过程、制定手术策略、辅助医师进行判断方面大有可为。AI可通过大数据训练的模型，结合病例特征来制定最佳外科治疗方案［13］。基于AI及多模态影像数据进行术前规划，可评估肿瘤位置、大小及其与周围重要器官和血管的毗邻关系，有助于减少患者的手术时间、手术出血量及并发症。Bhayana等［14］在学习了180份胰腺增强CT报告及图像数据后，使用GPT‑4生成AI的影像学报告，与使用传统人工阅片报告相比，外科医师可更好地判断肿瘤的可切除性（P=0.03），且做出判断所需的时间较人工阅片更短。荷兰的Bereska等［15］使用半监督机器学习分割467例胰腺癌患者和50名健康对照者的613份腹部CT图像，评估肿瘤与血管的解剖关系，并以荷兰胰腺癌小组的可切除性评价标准构建可切除性预测模型，在60例测试集（20例可切除、20例交界可切除、20例不可切除）的60份腹部CT图像中，该模型评估肿瘤与共计300根血管的毗邻关系与放射科医师的一致性达76%（227/300），预测可切除性的一致性为75%~85%（可切除17/20，交界可切除16/20，不可切除15/20），提示此模型具有较好的可切除性评价效能。
（三）新辅助治疗随着胰腺肿瘤药物治疗的研究进展，新辅助治疗的比例越来越高。新辅助治疗对手术安全及术后并发症具有一定影响。然而，新辅助治疗的方案、治疗周期数、术前停药时间及围手术期桥接治疗方案等方面仍有大量亟待解决的问题。胰腺癌新辅助治疗后的可切除性判断是胰腺外科的热点问题。由于肿瘤消退后仍有间质成分残存，给新辅助化疗后评估肿瘤消退程度及与重要血管毗邻关系带来了困难，且新辅助化疗会降低患者的免疫力。因此，精准评估新辅助化疗效果及肿瘤可切除性，避免不必要的手术，是提高手术安全性的关键［16‑18］。Lee等［19］开发了针对新辅助治疗后胰腺癌可切除性评价的AI诊断模型，研究选取252例经新辅助化疗后的交界可切除及局部晚期胰腺癌患者，比较化疗前与化疗后的CT图像，建立评估肿瘤消退及肿瘤与周围重要血管侵犯关系的Vascular Burden Index评分系统，有望通过大样本AI训练构建更为精准的诊断模型。在2024年的ESMO会议上，Fraunhoffer等［20］报告了基于转录组学的AI算法，并将其用于辅助选择胰腺导管腺癌患者的术后辅助化疗方案。在这项研究中，AI模型将患者分为对mFOLFIRINOX方案敏感和对以吉西他滨为主的方案敏感两类。与对mFOLFIRINOX方案不敏感的患者相比，对mFOLFIRINOX方案敏感的患者接受mFOLFIRINOX方案化疗后的中位无复发生存期更长（50.0个月比13.9个月，HR=0.39，95%CI：0.26~0.57，P<0.001）。在吉西他滨组中也能观察到同样的现象（33.68个月比9.63个月，HR=0.25，95%CI：0.14~0.34，P<0.001）。目前，AI在新辅助化疗及转化治疗方案制定的应用方面鲜见报道。
二、AI在提高胰腺术中安全性的应用
AI在术中关键解剖结构识别、手术步骤识别及基于多模态影像数据的实时导航方面的应用是当前手术视频组学的研究及应用热点［21］。有研究者报告了一项应用于术中决策的AI模型，收集了111份胰肠吻合的手术录像，将操作分为六步，其中将60份录像作为训练集，10份录像作为超参数优化，利用三维卷积神经网络构建对手术步骤的自动识别模型，在30份测试集中F1评分准确率最高可达88.01%，平均值为85.34%［22］。彭兵教授团队使用42份腹腔镜胰十二指肠切除术的手术视频作为训练集，2名外科医师将手术视频标记为13个手术时相，包括4个关键手术时相和9个必需手术时相，基于手术视频训练集建立的AI模型可自动识别各个手术时相，识别能力使用平均精度进行评价，在27份手术视频的测试集中，识别关键手术时相的平均精度为86.8%，识别必需手术时相的平均精度为71.2%［23］，为后续进行精确识别手术步骤和辅助决策提供了良好的研究基础。AI融合多模态影像数据，使用三维可视化、虚拟现实、增强现实、混合现实等技术，有望实现胰腺术中病灶识别、重要解剖结构显示、实时精准导航及错误操作识别预警，提高手术实时操作的安全性。Javaheri等［24］开发了一个可穿戴的增强现实术中导航设备，基于患者多模态影像数据，在手术过程中实时虚拟重建肿瘤位置及与周围重要血管和器官的关系，前期已在5例胰腺手术患者中进行了试用，识别效果良好且提高了手术操作的安全性。卢倩教授团队使用智能手机上的增强现实软件，将基于影像数据重建的三维图像叠加到手机显示屏上的手术区域，在术者对3例诊断为胰头癌的患者行联合门静脉重建的胰十二指肠切除术时，间断提供肿瘤侵犯边界及与周围重要器官和血管的解剖毗邻关系，使所有手术患者经病理学检查结果证实均安全地获得了R0切除，术后未发生胰瘘、出血、胆瘘和Clavien‑Dindo并发症分级系统Ⅲ~Ⅳ级并发症［25］。目前相关研究多为单中心小样本量研究，普适性还有待商榷。但随着AI技术进步和重建耗时的缩短，有望在腹腔镜及机器人设备中融合相关实时导航模块，实现一键标记，实时指导手术操作。
三、AI在提高胰腺术后安全性中的应用及展望
POTTER评分是AI术后并发症预测评分中一个使用较为广泛的方法，且已开发相应的移动APP，对术后并发症预测的准确度为0.92~0.93［26‑27］。Ashraf等［28］分析了2014—2019年ACS‑NSQIP数据库中行胰十二指肠切除术的患者数据，构建基于术前数据的机器学习模型，预测术后B级及C级胰瘘的AUC达0.72。Yoo等［29］采用卷积神经网络方法分析术前CT图像中的人体成分，针对胰十二指肠切除术术后发生B级及C级胰瘘具有较好的预测能力（OR=7.43，P<0.001）。瑞金医院沈柏用团队使用2 421例患者的临床资料，使用CatBoost算法构建术后B级及C级胰瘘预测模型，该模型中最重要的指标为术后前7天的引流液淀粉酶浓度，该模型AUC值可达0.83［30］。使用基于AI建立的术后胰瘘预测模型，有利于提前识别高危患者，进行完善的围手术期管理，对低危患者可实现快速康复，提高围手术期安全性，同时改善患者生活质量。荷兰学者开展的一项多中心研究中，共纳入1 748例患者资料，其中863例接受AI提供的术后管理建议，885例接受常规的术后管理；与常规临床管理组相比，AI辅助管理组需介入治疗处理的出血发生率［5%（47/863）比6%（51/885），RR=0.65，95%CI：0.42~0.99，P=0.046］、器官功能衰竭发生率［5%（39/863）比10%（92/885），RR=0.35，95%CI：0.20~0.60，P=0.000 1］和90 d围手术期病死率［3%（23/863）比5%（44/885），RR=0.42，95%CI：0.19~0.92，P=0.029］均显著下降［31］。此外，血糖及营养管理是胰腺术后管理中的重要内容，如能融合AI技术，有望更好地对血糖及营养状态实时监控及个性化动态调整，相关研究值得期待。
四、青年医师手术安全质控及继续教育
AI在青年医师手术技能培训方面也大有用处，目前研究主要集中于模拟训练和手术视频评价反馈［32‑33］。AI技术融合虚拟现实技术可实现手术解剖及手术器械的三维重建，为青年医师提供手术模拟操作机会，发挥模拟训练优势，降低初学者由于操作不熟练造成的损伤风险［34］。利用视频组学分割和识别技术，可进行手术视频的分割和识别，将初学者手术视频操作与高年资术者的手术视频进行比较，识别手术操作中的缺点，提供个性化训练方案，动态反馈手术培训学习效果并予以矫正。在腹腔镜胆囊切除术领域，已有多篇报道认为，AI技术可更好地对青年医师的腹腔镜胆囊手术进行质控［35］。
五、需要注意的问题
AI的发展给胰腺外科的诊疗模式注入了新的活力，有望大幅提高胰腺外科的手术安全性［36］。我们认为，在全球AI技术蓬勃发展的当下，我们仍需保持冷静。AI是基于大数据训练得出的模型，高质量且可靠的训练数据是AI效力的基石。因此，必须从源头进行严格数据质控，解决医学数据质量与算法质量问题。前期所建立的训练集数据库须由经验丰富的专业医师对数据进行标注处理，数据质量也受标注医师的专业水平及主观意向影响，目前尚无严格意义的统一的评估体系与标准，因此，建立科学严格的质控体系尤为重要。此外，各个医疗机构因采用设备不同导致其产生的医学数据格式不同，因此，建立的模型在更广泛的范围内应用时可能不能完全适用，需进一步完善算法，将数据进行统一化处理。还需注意的是，医学数据的应用还涉及患者隐私保护及伦理问题，进一步规范数据采集及处理的医学伦理行为，是保证AI技术能进一步推广应用的关键［37］。我们期待，在相关行业的协作努力下，AI能为胰腺外科手术安全体系构建提供新质生产力，造福广大胰腺疾病患者。
参考文献
（在框内滑动手指即可浏览）
1.郑志元, 陈涛, 刘颖斌.人工智能在胰腺癌中的应用及展望[J].中华外科杂志, 2023, 61(1):76‑80. DOI: 10.3760/cma.j.cn112139-20220419-00176.
2.Chen PT, Wu T, Wang P, et al. Pancreatic cancer detection on CT scans with deep learning: a nationwide population‑based study[J]. Radiology,2023,306(1):172‑182. DOI: 10.1148/radiol.220152.
3.Korfiatis P, Suman G, Patnam NG, et al. Automated artificial intelligence model trained on a large data set can detect pancreas cancer on diagnostic computed tomography scans as well as visually occult preinvasive cancer on prediagnostic computed tomography scans[J]. Gastroenterology, 2023, 165(6):1533‑1546. DOI: 10. 1053/j.gastro.2023.08.034.
4.Liu Z, Li M, Zuo C, et al. Radiomics model of dual‑time 2‑18F‑FDG PET/CT imaging to distinguish between pancreatic ductal adenocarcinoma and autoimmune pancreatitis[J]. Eur Radiol,2021,31(9):6983‑6991.DOI:10.1007/s00330-021-07778-0.
5.Li Q, Zhou Z, Chen Y, et al. Fully automated magnetic resonance imaging‑based radiomics analysis for differentiating pancreatic adenosquamous carcinoma from pancreatic ductal adenocarcinoma[J]. Abdom Radiol (NY),2023,48(6): 2074‑2084.DOI: 10.1007/s00261-023- 03801-8.
6.潘妘頔, 冉桃菁, 秦显政, 等. 人工智能在超声内镜诊断胰腺疾病中的应用进展[J]. 中华胰腺病杂志, 2023, 23(4):302‑306.DOI: 10.3760/cma.j.cn115667-20220420- 00056.
7.Kuwahara T, Hara K, Mizuno N, et al. Artificial intelligence using deep learning analysis of endoscopic ultrasonography images for the differential diagnosis of pancreatic masses[J]. Endoscopy,2023,55(2):140‑149.DOI:10.1055/a-1873-7920.
8.Lopez‑Ramirez F, Soleimani S, Azadi JR, et al. Radiomics machine learning algorithm facilitates detection of small pancreatic neuroendocrine tumors on CT[J]. Diagn Interv Imaging,2025,106(1):28‑40.DOI:10.1016/j.diii.2024. 08.003.
9.Lavista Ferres JM, Oviedo F, Robinson C, et al. Performance of explainable artificial intelligence in guiding the management of patients with a pancreatic cyst[J]. Pancreatology,2024,24(7):1182‑1191.DOI:10. 1016/j.pan.2024.09.001.
10.Zhang S, Zhou Y, Tang D, et al. A deep learning‑based segmentation system for rapid onsite cytologic pathology evaluation of pancreatic masses: a retrospective, multicenter, diagnostic study[J]. EBioMedicine,2022, 80:104022. DOI: 10.1016/j.ebiom.2022.104022.
11.Ney A, Nené NR, Sedlak E, et al. Identification of a serum proteomic biomarker panel using diagnosis specific ensemble learning and symptoms for early pancreatic cancer detection[J]. PLoS Comput Biol,2024,20(8):e1012408. DOI: 10.1371/journal.pcbi.1012408.
12.Junet V, Matos‑Filipe P, García‑Illarramendi JM, et al. A decision support system based on artificial intelligence and systems biology for the simulation of pancreatic cancer patient status[J]. CPT Pharmacometrics Syst Pharmacol, 2023,12(7):916‑928.DOI:10.1002/psp4. 12961.
13.Varghese C, Harrison EM, O′Grady G, et al. Artificial intelligence in surgery[J]. Nat Med,2024,30(5):1257‑1268. DOI: 10.1038/s41591-024-02970-3.
14.Bhayana R, Nanda B, Dehkharghanian T, et al. Large language models for automated synoptic reports and resectability categorization in pancreatic cancer[J]. Radiology, 2024,311(3):e233117.DOI:10.1148/radiol. 233117.
15.Bereska JI, Janssen BV, Nio CY, et al. Artificia
