通过深度学习实现手术安全和术中转移识别：子宫恶性肿瘤微创前哨淋巴结清扫的多中心视频采集 (LYSE)

手术约占所有医院并发症的三分之二。 大约 75% 的并发症发生在手术干预期间，其中一半被认为是可以预防的。 传统上，手术安全性研究主要依赖于围手术期信息和手术操作者自己的书面报告。 如今，可以轻松录制在微创手术过程中指导外科医生的视频，从而提供手术干预的客观记录。 研究手术视频和量化术中事件为不良事件的原因提供了一个有前景的新视角，有可能开发出降低手术风险和促进国际手术安全建议实施的解决方案。

此外，人工智能（AI）的最新进展在图像理解方面取得了巨大成功，提高了开发用于自动和大规模手术视频分析的算法的可能性。 这些人工智能算法还可以实时分析手术视频并在手术室提供决策支持。

淋巴结状态的评估对于子宫恶性肿瘤（子宫内膜癌和宫颈癌）至关重要。 明显早期癌症中淋巴结阳性的比例要低得多（子宫内膜癌为 10%，宫颈癌为 15%）。 事实上，预后和辅助治疗方案很大程度上受到淋巴结受累的影响。 系统性广泛淋巴结切除术通常用于分期、诊断跳跃转移以及在需要辅助放射治疗时确定放射野。 然而，盆腔和/或主动脉旁淋巴结切除术可能导致严重的短期和长期并发症。

使手术发病率负担更加难以承受的是，在大多数情况下，无论盆腔恶性肿瘤的类型如何，淋巴结都没有转移。 这意味着大多数患者要接受不必要的、有风险的、繁琐的手术，而这些手术并没有被证明对他们的生存有影响。 为了解决早期子宫内膜癌和宫颈癌的这个问题，前哨淋巴结 (SLN) 的评估已发挥了重要作用。评估引流初始病变的第一个淋巴结或一组淋巴结，因此是治疗前哨淋巴结的第一站。在肿瘤淋巴结扩散的情况下收集肿瘤细胞可以使淋巴结阴性患者免受与系统淋巴结切除术相关的手术合并症的影响。 但即使仅切除前哨淋巴结，手术并发症的发生率仍然很高。 Capozzi 等人报道，与术中血管、神经和输尿管损伤以及术后由于错误的解剖解剖和淋巴通道破坏导致的淋巴肿大和淋巴水肿相关的并发症发生率为 11.2%。 据报道，根据患者和癌症特征以及手术步骤的可变性，25% 的 SLN 标测失败。 2021 年 Moloney 等人和 2023 年 Bizzarri 等人发表了关于子宫内膜癌和宫颈癌 SLN 手术步骤的德尔菲共识，以改善临床结果，减少手术并发症和多中心前瞻性试验中的偏倚。 迄今为止，成功的双边测绘需要 40 个程序的学习曲线。 此外，据报道，在某些情况下，14% 的空包病例（肥胖子宫内膜癌患者的比例更高）无意中未能采集到淋巴结组织，这可能会导致患者安全的过度治疗。 前哨淋巴结冰冻切片分析由于其耗时长且微转移检测结果不准确（检测精度为65%）的缺点而没有被常规执行，从而失去了部分技术潜力。

在腹腔镜胆囊切除术中，安全批判观 (CVS) 被描述为降低胆管损伤的风险。 我们的目标是通过识别各种情况下的关键解剖标志和结构，将“安全文化”的概念应用于腹腔镜前哨淋巴结清扫术，从而可以通过遵循标准化手术步骤来防止术中损伤并提高标测率。

因此，量化和研究术中事件（例如实现推荐手术步骤的比率）将能够检查如何最好地实施指南建议并寻求新的解决方案来降低手术风险。 此外，这些视频可用于训练和验证人工智能（AI）算法，有可能帮助手术室的外科医生帮助训练，以更快地达到学习曲线并提高手术安全性。 事实上，最新的人工智能算法能够通过短视频自动评估和记录安全批判性观点（CVS），可用于支持指南的实施，并使腹腔镜前哨淋巴结切除术更加安全。

分析在转诊中心进行的腹腔镜 SLN 切除视频可以帮助评估分步手术方法的实施情况以及安全批判性观点 (CVS) 的发展以及其他指南建议，并为安全腹腔镜 SLN 开发新的解决方案解剖。 研究中充分描述了识别步骤和“安全批判性观点”。 我们的项目强调在进行下一步程序之前实现这些安全观点的重要性。 下一步包括分析荧光信号的强度，并将其与前哨淋巴结的组织学诊断相关联，以评估强度与转移性质之间相关性的可能性，这是前所未有的。

此外，可以在从多个医院中心收集的视频上测试用于安全腹腔镜 SLN 解剖的人工智能算法，以便在临床转化之前充分研究这些算法的普遍性。

临床研究的目的和目标：

本研究的目的是在多中心手术视频队列中建立安全腹腔镜 SLN 切除术的安全批判性观点 (CVS) 率，以减少并发症、手术学习曲线并将 ICG 强度与淋巴结转移性质相关联