腹腔镜胃切除术的实时多中心语义分割：AI导航系统的开发、外部验证及手术室部署

腹腔镜胃切除术技术要求高，错误常源于情境意识有限。基于人工智能（AI）的计算机视觉可能增强术中器械和解剖结构的识别，但支持泛化、实时部署的证据仍然有限。我们进行了一项多中心研究，使用来自4家三级医院的腹腔镜胃切除术视频。数据按机构分为训练集、内部测试集和外部验证集。开发了基于You Only Look Once版本10（YOLOv10）的模型，用于识别18个类别（11种器械和7个器官），并集成到轻量级用户界面中以供床旁使用。计算了IoU为0.50时的平均精度（mAP@50）和框与掩码的AP@[0.50–0.95]、召回率和F1分数。评估了实时手术室部署的可行性。使用美国国家航空航天局任务负荷指数（NASA-TLX）评估外科医生认知负荷，并使用系统可用性量表（SUS）评估系统可用性。训练集包含4308帧（41066个标签）；内部测试集包含1803帧（17211个标签）；外部验证集包含721帧（6685个标签）。训练性能达到框精度0.896、召回率0.891、mAP@50 0.937和AP@[0.50–0.95] 0.846；掩码AP@[0.50–0.95]为0.809。在内部测试集上，框AP@[0.50–0.95]为0.670，掩码AP@[0.50–0.95]为0.642。外部验证达到框精度0.798、召回率0.773、F1分数0.785、mAP@50 0.832和AP@[0.50–0.95] 0.684；掩码mAP@50为0.836，AP@[0.50–0.95]为0.658。高性能类别包括吻合器、超声刀和抓钳，而大网膜和胰腺相对较低。该系统在笔记本电脑级GPU上实时运行，在腹腔镜胃切除术中提供按需叠加显示，不干扰手术流程。NASA-TLX得分为26.72±6.51，表明认知负荷较低，SUS得分为78.33±5.20，表明可用性良好。我们介绍了在多个中心开发、外部验证并实时部署用于腹腔镜胃切除术的实时AI导航系统。该模型展示了可靠的器械和器官检测与分割性能，并可用于床旁。有必要进行前瞻性试验以评估其对术中安全、效率和培训的影响。