机器人辅助手术中针对外科器械的深度学习识别与分割：系统综述

应用于机器人辅助 minimally 侵入手术（MIS）中为外科器械注释的深度学习（DL）代表了手术技术的重大进步。本系统综述检阅了 48 项研究，涵盖先进的 DL 方法和体系结构。这些高级 DL 模型在提高检测和分割外科工具的精度和效率方面显示出显著改进。这些增强能力的模型支持各种临床应用，包括实时内手术指导、综合术后评估以及客观评估手术技能。通过准确识别和分割视频数据中的外科器械，DL 模型为外科医生提供详细反馈，从而改善手术结果并降低并发症风险。此外，DL 在手术教育方面的应用也具有变革性。本综述强调了 DL 对提高技能评估准确性以及整体提升手术训练项目质量的显著影响。然而，在外科器械检测和分割中实现 DL面临挑战，如需要大量准确标注的数据集来有效训练这些模型。手工标注过程繁琐且耗时，构成显著瓶颈。未来的研究应聚焦于自动化检测和分割过程，以及提高 DL 模型对环境变化的鲁健性。将 DL 模型的应用扩展到各种手术专科将是实现该技术潜力的关键。将 DL 与其他新兴技术（如增强现实（AR））集成也提供了令人期待的机遇，以进一步提升手术程序的精度和效果。