腹腔镜模拟中的人工智能：大规模自动化评估的广阔前景

扩大腹腔镜模拟培训项目的一个限制是缺乏专家评估人员。 2019年，用于远程异步腹腔镜模拟训练的新数字平台得到验证。 通过该平台，369名学员在拉丁美洲14个机构接受了培训，收集了6729个腹腔镜训练练习视频。 人工智能 (AI) 的应用最近出现在手术模拟中，在训练评估、虚拟现实场景和腹腔镜虚拟现实模拟中显示出有用性。 开发了一种评估基本腹腔镜模拟训练练习的人工智能算法。 本研究旨在分析该人工智能算法与专家评估员在评估基本腹腔镜模拟训练练习时的一致性。

AI 算法使用 400-bean drop (BD) 和 480-peg transfer (PT) 视频进行训练，并使用 64-BD 和 43-PT 随机选择的视频进行测试，这些视频以前未用于训练算法。 然后分析人工智能与数字平台（EE）专家评估员之间的协议。 正在评估的练习包括使用腹腔镜抓紧器在丙烯酸板上移动物体，并且在确定的时间内（BD<24秒，PT<55秒）不掉落任何物体。 人工智能算法可以检测物体运动、识别物体是否掉落、跟踪抓握器夹子位置并测量锻炼时间。 Cohen 的 Kappa 测试用于评估 AI 评估与 EE 评估之间的一致性，使用基于完成练习的时间的通过/失败命名法。

算法训练后，BD 和 PT 的一致性分别为 79.69% 和 93.02%。 观察到的 BD 和 PT 的 Kappa 系数测试分别为 0.59（中等一致性）和 0.86（几乎完美一致性）。

人工智能在基本腹腔镜技能模拟训练评估中的首次应用显示出可喜的结果，为将人工智能的使用扩展到其他基本腹腔镜技能练习提供了初步框架。

由于术后疼痛、感染率和住院时间较低，腹腔镜手术已成为多种手术的金标准方法。 因此，外科医生必须具备良好的腹腔镜技术。 这可以通过模拟培训的安全实践来实现，事实证明，模拟培训对于获得技术技能并将其转移到手术室是有效的。 基础腹腔镜模拟训练项目广泛应用于外科教育中，有多种项目可供选择。 应用最广泛的腹腔镜技能培训项目是《腹腔镜手术基础》（FLS），该项目由美国胃肠和内窥镜外科医生协会（SAGES）制定并于2004年向公众发布。 2008年，成功完成FLS计划成为美国外科委员会认证的要求，反映了其在外科教育中的重要性。

已创建多个高级腹腔镜培训项目。 2012 年，相关机构基于使用离体牛肠进行肠吻合术开发了高级腹腔镜技能课程。 该计划在模拟场景中显示出技术技能的显著提高，并成功地将这些技能转移到手术室。 接受该计划的学员达到了与执业腹腔镜外科专家相似的熟练程度。

2019年，开发了微创远程指导机会（MITO）项目，旨在在无法立即提供专家评估人员的偏远地区提供先进的腹腔镜技能培训。 在这项研究中，创建了一个名为“LAPP”的数字平台，以允许对前面提到的经过验证的高级腹腔镜技能培训计划进行远程管理，这可以通过以远程和异步方式提供的持续反馈来实现。 结果发现，通过该平台进行远程培训的小组获得的腹腔镜技能与通过同一项目接受现场指导和反馈培训的小组相当。 该平台取得的良好成果使得该培训计划能够扩展到多个地点，并且即使在 COVID-19 大流行期间也能够持续进行练习。 目前，该培训项目已在 8 个国家的 14 个城市开展，不到 5 年的时间已覆盖 350 多名学员。 该新培训系统的开发可存储超过6500个腹腔镜技能培训视频。

图 1
从平台数据库中提取的练习示例。 左边：a 捡豆，右边：b 挂钩转移

图 2
使用该算法观察到的物体检测。 捡豆（左）和钉子转移（右）

这项研究的结果表明，开发人工智能算法来评估基本的腹腔镜模拟训练练习不仅是可行的，而且人工智能的应用可以与当前的黄金标准（专家评估者）高度一致。

目前，相关的工程和编程团队正在致力于为数字平台提供的所有 11 种基本腹腔镜模拟训练练习开发人工智能算法。

如果人工智能的开发和进一步应用能够成功地通过这个数字平台进行评估，它也可以应用于其他类似的腹腔镜基础技能培训项目。 因此，基本腹腔镜技能的认证可以在世界任何地方提供，而不需要专家评估员来进行评估。 这将使学员更容易获得能力认证，无需长途跋涉到模拟中心与专家评估员一起，也不需要评估员通过视频会议平台同步评估。

尽管这项研究中提出的结果很有希望，但重要的是要提到它们并非完全没有局限性。 首先，用于算法校准和测试的视频都是标准化培训计划的一部分； 因此，尚不清楚这些算法是否可以应用于其他训练项目并获得类似的结果。

其次，该算法是在每次练习中使用不到 500 个样本视频来开发的，与黄金标准取得了良好的一致性。 如果收集更多视频，则可以修改算法以进一步提高准确性。

第三，目前的AI算法在标记掉落物体方面存在技术局限性，尤其是在掉落豆子练习中，掉落的情况更为频繁。 因此，虽然它可以作为算法的输出获得，但它不被视为通过或失败的标准； 然而，目前正在对其进行改进以提高算法的准确性。

此外，为了避免根据算法输出手动将练习分类为通过或失败，正在开发对数字平台的修改以自动合并算法输出。

最后，同样需要强调的是，目前该算法只能测量完成练习所需的时间，并不能取代专家的反馈。

总而言之，尽管开发的人工智能算法提供了简单的输出，但相信通过这项研究观察到的结果对于基本模拟腹腔镜技能的自动评估很有希望，并且可以扩展到更多练习。

参考资料：
1. Li Y, Xiang Y, Wu N, Wu L, Yu Z, Zhang M, Wang M, Jiang J, Li Y. A comparison of laparoscopy and laparotomy for the management of abdominal trauma: a systematic review and meta-analysis. World J Surg. 2015;39:2862–2871. doi: 10.1007/s00268-015-3212-4.   
2. Hutter MM, Randall S, Khuri SF, Henderson WG, Abbott WM, Warshaw AL. Laparoscopic versus open gastric bypass for morbid obesity: a multicenter, prospective, risk-adjusted analysis from the National Surgical Quality Improvement Program. Ann Surg. 2006;243:657–662. doi: 10.1097/01.sla.0000216784.05951.0b.   
3. Sauerland S, Walgenbach M, Habermalz B, Seiler CM, Miserez M. Laparoscopic versus open surgical techniques for ventral or incisional hernia repair. Cochrane Database Syst Rev. 2011 doi: 10.1002/14651858.CD007781.pub2.   
4. Velanovich V. Laparoscopic vs open surgery: a preliminary comparison of quality-of-life outcomes. Surg Endosc. 2000;14:16–21. doi: 10.1007/s004649900003.   
5. Varas J, Mejía R, Riquelme A, Maluenda F, Buckel E, Salinas J, Martínez J, Aggarwal R, Jarufe N, Boza C. Significant transfer of surgical skills obtained with an advanced laparoscopic training program to a laparoscopic jejunojejunostomy in a live porcine model: feasibility of learning advanced laparoscopy in a general surgery residency. Surg Endosc. 2012;26:3486–3494. doi: 10.1007/s00464-012-2391-4.   
6. Boza C, León F, Buckel E, Riquelme A, Crovari F, Martínez J, Aggarwal R, Grantcharov T, Jarufe N, Varas J. Simulation-trained junior residents perform better than general surgeons on advanced laparoscopic cases. Surg Endosc. 2017;31:135–141. doi: 10.1007/s00464-016-4942-6.   
7. Peters JH, Fried GM, Swanstrom LL, Soper NJ, Sillin LF, Schirmer B, Hoffman K, the SAGES FLS Committee Development and validation of a comprehensive program of education and assessment of the basic fundamentals of laparoscopic surgery. Surgery. 2004;135:21–27. doi: 10.1016/S0039-6060(03)00156-9.   
8. León Ferrufino F, Varas Cohen J, Buckel Schaffner E, Crovari Eulufi F, Pimentel Müller F, Martínez Castillo J, Jarufe Cassis N, Boza Wilson C. Simulation in laparoscopic surgery. Cirugía Espa&#241;ola (English Edition) 2015;93:4–11. doi: 10.1016/j.cireng.2014.02.022.   
9. Supe A, Prabhu R, Harris I, Downing S, Tekian A. Structured training on box trainers for first year surgical residents: does it improve retention of laparoscopic skills? A randomized controlled study. J Surg Educ. 2012;69:624–632. doi: 10.1016/j.jsurg.2012.05.002.   
10. Boza C, Varas J, Buckel E, Achurra P, Devaud N, Lewis T, Aggarwal R. A cadaveric porcine model for assessment in laparoscopic bariatric surgery—a validation study. Obes Surg. 2013;23:589–593. doi: 10.1007/s11695-012-0807-9.   
11. Charokar K, Modi JN. Simulation-based structured training for developing laparoscopy skills in general surgery and obstetrics & gynecology postgraduates. J Educ Health Promot. 2021;10:387. doi: 10.4103/jehp.jehp_48_21.   
12. Fundamentals of Laparoscopic Surgery. https://www.flsprogram.org/. Accessed 2 Mar 2022
13. Cullinan DR, Schill MR, DeClue A, Salles A, Wise PE, Awad MM. Fundamentals of laparoscopic surgery: not only for senior residents. J Surg Educ. 2017;74:e51–e54. doi: 10.1016/j.jsurg.2017.07.017.   
14. Quezada J, Achurra P, Jarry C, Asbun D, Tejos R, Inzunza M, Ulloa G, Neyem A, Martínez C, Marino C, Escalona G, Varas J. Minimally invasive tele-mentoring opportunity—the mito project. Surg Endosc. 2020;34:2585–2592. doi: 10.1007/s00464-019-07024-1.   
15. Jarry Trujillo C, Achurra Tirado P, Escalona Vivas G, Crovari Eulufi F, Varas Cohen J. Surgical training during COVID-19: a validated solution to keep on practicing. Br J Surg. 2020;107:e468–e469. doi: 10.1002/bjs.11923.   
16. Barua I, Vinsard DG, Jodal HC, L&#248;berg M, Kalager M, Holme &#216;, Misawa M, Bretthauer M, Mori Y. Artificial intelligence for polyp detection during colonoscopy: a systematic review and meta-analysis. Endoscopy. 2021;53:277–284. doi: 10.1055/a-1201-7165.   
17. Alaker M, Wynn GR, Arulampalam T. Virtual reality training in laparoscopic surgery: a systematic review & meta-analysis. Int J Surg. 2016;29:85–94. doi: 10.1016/j.ijsu.2016.03.034.   
18. Vedula SS, Ghazi A, Collins JW, Pugh C, Stefanidis D, Meireles O, Hung AJ, Schwaitzberg S, Levy JS, Sachdeva AK, the Collaborative for Advanced Assessment of Robotic Surgical Skills Artificial intelligence methods and artificial intelligence-enabled metrics for surgical education: a multidisciplinary consensus. J Am Coll Surg. 2022;234:1181–1192. doi: 10.1097/XCS.0000000000000190.   
19. Hung AJ, Rambhatla S, Sanford DI, Pachauri N, Vanstrum E, Nguyen JH, Liu Y. Road to automating robotic suturing skills assessment: battling mislabeling of the ground truth. Surgery. 2021 doi: 10.1016/j.surg.2021.08.014.   
20. Tokuyasu T, Iwashita Y, Matsunobu Y, Kamiyama T, Ishikake M, Sakaguchi S, Ebe K, Tada K, Endo Y, Etoh T, Nakashima M, Inomata M. Development of an artificial intelligence system using deep learning to indicate anatomical landmarks during laparoscopic cholecystectomy. Surg Endosc. 2021;35:1651–1658. doi: 10.1007/s00464-020-07548-x.   
21. Madani A, Namazi B, Altieri MS, Hashimoto DA, Rivera AM, Pucher PH, Navarrete-Welton A, Sankaranarayanan G, Brunt LM, Okrainec A, Alseidi A. Artificial intelligence for intraoperative guidance: using semantic segmentation to identify surgical anatomy during laparoscopic cholecystectomy. Ann Surg. 2020 doi: 10.1097/SLA.0000000000004594.   
22. Moglia A, Ferrari V, Morelli L, Ferrari M, Mosca F, Cuschieri A. A systematic review of virtual reality simulators for robot-assisted surgery. Eur Urol. 2016;69:1065–1080. doi: 10.1016/j.eururo.2015.09.021.   
23. Van Rossum G, Drake Jr FL (1995) Python reference manual. Centrum voor Wiskunde en Informatica Amsterdam
24. Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, Desmaison A, Kopf A, Yang E, DeVito Z, Raison M, Tejani A, Chilamkurthy S, Steiner B, Fang L, Bai J, Chintala S. Advances in neural information processing systems. Red Hook: Curran Associates Inc; 2019. PyTorch: an imperative style, high-performance deep learning library.
25. RStudio | Open source & professional software for data science teams. https://www.rstudio.com/. Accessed 4 Mar 2022