人工智能在手术中的应用：前景和局限

人工智能（Artificial intelligence, AI）即使机器具有人的认知功能，可以推理和解决问题。AI主要由四个子领域组成：机器学习、人工神经网络、自然语言处理和计算机视觉。目前，AI已用于多种行业，如自动驾驶汽车，社交网络和深度计算机学习。AI概念和技术正在推动多种跨行业如外科手术的创新和进步。人工智能影响外科医生的思维，外科医生也有能力将AI整合到临床工作中。基于大数据分析和临床决策的支持系统，使得AI有可能彻底改变手术教学和手术方式，并有望为未来疾病治疗的优化方案做出贡献。本文将主要从以下几方面概述AI对外科手术的影响。

机器学习

机器学习（Machine learning,ML）使机器通过识别模式来学习和预测。机器学习分为有监督机器学习和无监督机器学习（图1）。ML可以识别大型数据中的细微模式，利用复杂的非线性关系和多变量效应的技术识别人类无法分析的模式。比如ML通过构建包含诊断、治疗和实验室等多种数据来源的非线性模型，比逻辑回归计算方式更好地预测手术部位感染。此外，同时运用多种算法可显著提高预测的准确性。例如，对癌症的诊断、治疗和预后数据的分析，通过ML结合相关统计方法来预测患者肺癌分期，其敏感性为93％，特异性为92％，准确率为93％，优于仅基于临床指南的分期（53％敏感性，89％特异性，72％准确度）。

图1. 在有监督机器学习中，人类标记的数据被输入机器学习算法，以辅助计算机产生一个功能，例如在图像中识别胆囊。在无监督机器学习中，将未标记的数据输入机器学习算法，机器学习算法试图找到数据的隐藏结构，比如识别鲜红色(如出血)来鉴别出血并发症。

自然语言处理

自然语言处理（Natural language processing,NLP）是一个着重使计算机理解人类语言能力的子领域。为了实现对人类语言的理解，成功的NLP系统必须超越简单的单词识别，将语义和语法融入其中，使机器能够从非结构化数据中推断出意义和情感。NLP用于EMR的大数据分析，以检测医生病例书写中的不良事件和术后并发症，还有EMR系统将NLP纳入其基础软件架构来改善工作流程或计费。对于外科手术患者，NLP可以通过自动检测EMR识别手术记录和病程记录中的单词和短语，预测结直肠切除术后吻合口漏的发生率。该预测基于外科医生的手术记录（例如手术类型和难度），以及术后病程记录中描述患者的短语（例如，烦躁，疲倦），来调节预测权重以实现预测吻合口漏的灵敏度为100％，特异性为72％。

人工神经网络

人工神经网络（Artificial Neural Networks）是ML的一个子领域，受到神经生物系统的启发，在许多AI应用中变得至关重要。神经网络以简单的计算单元（神经元）的层次处理信号，然后通过权重对神经元之间的连接进行参数化，随着网络学习与图像识别和数据分类等任务相对应的不同输入，输出图也发生变化（图2）。临床上，人工神经网络的表现明显优于传统的风险预测方法。例如，ANN的敏感性（89％）和特异性（96％）优于APACHE II敏感性（80％）和特异性（85％），用于预测入院后6小时胰腺炎的严重程度。通过分析临床变量，如患者病史，药物治疗，血压和住院时间，人工神经网络与其他ML方法相结合，预测开腹腹主动脉瘤修复后的院内死亡率，灵敏度为87％，特异性为96.1％，准确率95.4％。

图2. 人工神经网络由称为“神经元”（红色圆圈）的许多计算单元组成，其接收数据输入（类似于生物神经元中的树突），执行计算，并将输出（类似于轴突）传输到下一个神经元。输入级神经元接收数据，而隐藏层神经元（可以使用许多不同的隐藏层）进行必要的计算以分析数据中的复杂关系。隐藏层神经元将数据发送到输出层，该输出层提供用于解释分析的最终版本。

计算机视觉

计算机视觉（Computer Vision）描述了机器对图像和视频的理解，使机器在物体和场景识别等领域实现了和人类同等能力。计算机视觉中与医疗相关的重要工作包括轴向成像中的图像采集和解释，如计算机辅助诊断，腔镜手术和结肠镜检查。例如，通过对腹腔镜视频的实时分析，自动识别袖套胃切除术手术步骤的准确性达到92.8％，并且可以提示缺失或多余的步骤。视频分析预测尚处于起步阶段，但AI可以处理大量手术数据，以便术中实时识别或预测不良事件来支持临床决策（图3）。

图3. 计算机视觉利用数学方法将视觉图像或视频处理为可量化的特征，例如颜色，纹理和位置，存储于数据库来识别统计上有意义的事件，例如出血。

人工智能在临床的应用

类似于AI在其他技术发展迅速（例如移动电话，云计算），人工智能在外科手术中的应用潜力也未来可期。由约翰霍普金斯大学开发的Smart Tissue Autonomous Robot （STAR）配备了算法，使得其在动物模型中自主离体和体内肠吻合技术均优于人类外科医生。对于AI，其临床潜力大部分主要在于分析结构化和非结构化数据（例如EMR注释，生命体征，实验室数据，视频和“大数据”的其他方面）的组合，用于支持临床决策。

AI的局限性

与科学进步一样，AI的正确应用取决于提出正确科学问题，及回答该问题所需的准确的数据来源。临床数据收集中的系统性偏差可能影响AI的识别和预测。例如，Oakden-Rayner对患者胸部X线和报告数据集的深入分析发现，一些结果可能来自不正确标记的数据。大多数气胸的X片都有胸部引流管，这让人们担心深度学习网络通过识别胸部引流管而不是真正识别气胸。因为神经网络等技术基于“黑匣子”设计，人工智能算法还涉及它们的不可解释性。医学界很快意识到算法的问责制，自动分析的安全性、可验证性以及这些分析对人机交互的影响可能会影响AI在临床实践中的效用。此外，尽管因果推断方面取得了进展，但AI还无法确定临床决策数据的因果关系，也无法为其分析自动提供临床解释。

AI对外科医生的影响

临床医生-机器互动已经被证明可以改善临床治疗决策。通过提高对高风险患者的识别，AI可以帮助外科医生和放射科医师降低术前乳房穿刺活检恶性但术后确诊良性患者的乳房切除率。将来，外科医生可对人群和特定患者的数据进行人工智能分析（图4）。此外，通过移动应用和健身追踪器追踪患者的各项生命体征，以及膳食和活动量的改变等，并将数据输入EMR系统，指导外科医生在术前、术中、术后甚至出院后，优化外科医生的治疗方案和护理流程，真正做到以患者为中心，遵循个体化治疗原则。

人工智能还可以通过收集世界各地外科医生的手术视频和EMR数据实现知识共享。视频数据库可以使用计算机视觉来捕获罕见病例或解剖结构，在术前、术中和术后汇总和整合数据。这种强大的数据分析临床应用方面具有颠覆性的创新。

图4. 多模式数据与AI的整合可以改善个体患者和人群中所有外科治疗阶段的手术决策。AI可以将个体患者数据添加到群体数据库中，同时也可以从群体数据中提取数据支持个体病例的临床决策。

外科医生的角色

外科医生理应推动AI在临床上的创新。数据缺乏的可能会影响AI的预测，外科医生应扩大对临床数据的登记，并确保所有患者都被纳入。外科医生应与统计学家、工程师合作，捕获新形式的临床数据，提高AI算法的透明度，对该数据做出有意义的临床解释，并将分析结果（如风险预测，预算和治疗）传达给患者。外科医生应主动合理开发并利用AI，而不是因为外部监管的压力。如果得到适当的开发和应用，AI有可能彻底改变手术教学和手术方式，并有望为患者提供最高质量的治疗。

结论：

AI在数据库和术中视频分析等临床系统中的应用不断增加。外科手术的特殊性质决定外科医生能够很好地帮助人工智能在医学领域的发展，其重点是基于大数据证据支持的实时临床决策，完善围术期的患者护理和外科医生的工作流程。

“神麻人智”点评

不同技术之间的协同反应可能带来革命性的改变。与任何新技术一样，人工智能及其每个子领域的研究成为这个信息化时代的风尚，任何领域都会和AI相结合，外科学领域也不例外。目前AI在外科领域的应用包括EMR系统的数据采集、图像诊断和手术视频的采集和分析，视频分析预测尚处于起步阶段，可以进行实时识别或预测不良事件支持临床决策，在知识共享和外科手术教学中发挥了重要作用。由约翰霍普金斯大学开发报道的Smart Tissue Autonomous Robot （STAR），在动物模型中自主离体和体内肠吻合技术均优于人类外科医生。但是显然，真正自主的机器人手术在将来一段时间内无法实现。处于研究热点中的人工智能因媒体炒作而被赋予过高的期望，当然也可能导致极大的失望。我们理应用批判而又乐观的态度看待人工智能在医学领域的发展前景，现在的AI不是万能的，而在未来的手术室里，会不会出现机器外科医生、机器麻醉医生和机器护士为一个生物人类进行手术的场景，我们充满无尽想象。

（编译：仝传迪，李丽；审校：邓萌）

原始文献：Hashimoto DA, Rosman G, Rus D, et al. Artificial Intelligence in Surgery: Promises and Perils. Ann Surg. 2018 Jul;268(1):70-76. doi: 10.1097/SLA.0000000000002693.

“神麻人智”系列回顾：

点一点，长头发