基于CycleGAN与不确定性融合的AI辅助术中出血下瘢痕可视化技术提升腹腔镜胆囊切除术安全性的研究

　　本研究针对腹腔镜胆囊切除术(LC)中出血导致的视野障碍问题，开发了一种结合CycleGAN图像翻译与不确定性融合的AI框架。来自多机构的研究团队通过无配对域适应技术将出血图像转换为伪无出血表征，并基于像素熵融合分割结果，显著提升瘢痕组织识别准确率（Dice系数提升，P<0.001），具备近实时处理能力（0.06秒/帧），为术中安全提供了创新性解决方案。

　　

在腹腔镜胆囊切除术(laparoscopic cholecystectomy, LC)过程中，准确识别瘢痕组织对预防胆管损伤至关重要，尤其在出血导致的视觉受限场景下。本研究开发了一种人工智能(Artificial Intelligence, AI)辅助框架，通过结合循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Network, CycleGAN)的图像翻译技术与不确定性感知融合方法，增强复杂手术环境中瘢痕区域的预测能力。

具体方法采用非配对域适应技术，将受血液污染的腹腔镜图像转换为伪无出血表征，随后基于原始图像与转换图像的分割结果，通过像素级熵值计算进行融合优化，显著提升模型的鲁棒性。

实验使用20例手术患者中选取的99幅代表性图像进行验证。与传统分割方法相比，该框架使三位担任专家标注者的内镜外科医师的Dice系数均获得显著改善（所有比较P<0.001）。主观评估结果进一步证实了其在瘢痕可视性与边界 delineation 方面的临床实用价值。系统在RTX A5000 GPU上实现了近实时推理速度（每帧0.06秒）。

该AI辅助框架有效提升了出血环境下瘢痕组织检测的准确性与鲁棒性，其实时性能与临床验证结果展现出推动术中应用与提升外科安全性的巨大潜力。