内镜黏膜下切除术中的动态出血源定位：基于双阶段检测与跟踪的 BleedOrigin

内镜黏膜下切除术（ESD）期间的术中出血构成重大风险，亟需精准的、实时的出血源定位和持续监测，以实现有效的止血。具体而言，内镜医生必须反复冲洗以清除血液，仅在毫秒级时间窗口内识别出血源，这种效率低下的流程会延长手术时间并增加患者风险。然而，当前的人工智能方法主要关注出血区域分割，忽略了准确出血源检测和在挑战性 ESD 环境中进行时序跟踪的关键需求，该环境以频繁的视觉遮挡和动态场景变化为特征。由于缺乏专门的数据集，这一差距进一步扩大，阻碍了健壮的 AI 辅助引导系统的开发。为应对这些挑战，我们引入 BleedOrigin-Bench，即第一个全面的 ESD 出血源数据集，包含来自 44 例手术的 106222 帧中 1771 个专家标注的出血源，补充了 39755 个伪标注帧。该基准涵盖 8 个解剖部位和 6 种挑战性临床情景。我们还提出了 BleedOrigin-Net，即一种用于 ESD 手术中出血源定位的新型双阶段检测-跟踪框架，涵盖从出血发生检测到持续空间跟踪的完整工作流程。我们与广泛使用的目标检测模型（YOLOv11/v12）、多模态大型语言模型和点跟踪方法进行比较。广泛的评估显示领先性能，实现出血发生检测的 96.85% 帧级准确率（$\pm\leq8$ 帧）、初始源检测的 70.24% 像素级准确率（$\leq100$ 像素）以及点跟踪的 96.11% 像素级准确率（$\leq100$ 像素）。