DOI: https://doi.org/10.20517/ais.2025.76
تاريخ النشر: 2026-02-28
المؤلف: Jayvee Buchanan وآخرون
الموضوع الرئيسي: محاكاة وتدريب جراحي
نظرة عامة
تشير المراجعة حول تطبيقات رؤية الكمبيوتر الجراحية (CV) في الجراحة العامة إلى أن هذه التقنيات لا تزال في مراحلها الأولى من التطوير، حيث تتسم بتباين كبير في المقاييس المستخدمة للتقييم ونقص التكامل في الممارسة السريرية. تشمل الفجوات الرئيسية المحددة عدم كفاية التحقق الخارجي من أنظمة CV-AI، والتحديات في التقييم الفوري أثناء العملية، والتقارير غير المتسقة حول قابلية الاستخدام.
للتقدم في هذا المجال، يدعو المؤلفون إلى تقييمات مستقبلية لتقنيات CV-AI التي تستخدم مقاييس موحدة، وبروتوكولات توضيح، وتقارير شفافة وفقًا للأطر المحددة للذكاء الاصطناعي. يؤكدون على أهمية تعزيز الحوكمة، وممارسات التقرير الموحدة، والتعاون النشط مع المستخدمين النهائيين للانتقال بشكل فعال من التطبيقات النظرية إلى أدوات دعم القرار الفورية الموثوقة التي يمكن أن تساعد في الحكم الجراحي وتناسب بسلاسة في سير العمل الجراحي القياسي.
مقدمة
تناقش مقدمة ورقة البحث التطور السريع لأنظمة الذكاء الاصطناعي المعتمدة على رؤية الكمبيوتر (CV-AI) في الجراحة العامة، المدفوعة بالتقدم في تحليل الصور. تستخدم هذه الأنظمة لقطات فيديو حية من العمليات الجراحية الأقل توغلاً لأتمتة مهام مثل التعرف على مراحل الجراحة، وتحديد المعالم التشريحية، وتتبع الأدوات، وتقييم المهارات. يهدف دمج CV-AI في سير العمل الجراحي إلى تعزيز سلامة المرضى، وتحسين التدريب الجراحي، وتحسين عمليات غرفة العمليات. يؤكد المؤلفون على ضرورة وجود مقاييس كمية قوية لتقييم هذه الأنظمة، مع مقاييس مصممة لمهام محددة، بما في ذلك الدقة، والوضوح، والاسترجاع، ومقاييس مكانية متنوعة لاكتشاف الأجسام وتقسيمها.
تحدد الورقة خمسة مجالات رئيسية للمهام ضمن تطبيقات CV-AI في الجراحة: اكتشاف التشريح، التعرف على المرحلة، التعرف على حدث العمل، تتبع الأدوات، وتقييم المهارات. يستخدم كل مجال مقاييس أداء مميزة، حيث يعتبر اكتشاف التشريح والتعرف على المرحلة الأكثر شيوعًا، وتم تقييمهما في 88 دراسة. يشير المؤلفون إلى التباين في اختيار المقاييس ووجود دراسات جدوى بأثر رجعي، مما يبرز الحاجة إلى أطر تقييم موحدة لتسهيل التكامل السريري لتقنيات CV-AI. الهدف الرئيسي من مراجعة النطاق هو رسم خرائط لمجالات المهام الحالية لـ CV-AI ومقاييس الأداء، بينما تركز الأهداف الثانوية على تقييم الجاهزية السريرية وميزات التكامل ضمن سير العمل الجراحي.
طرق البحث
استخدمت الدراسة منهجية معهد جوانا بريجز (JBI) لإجراء مراجعات النطاق، مما يضمن نهجًا منهجيًا لعملية البحث. التزم المؤلفون بإرشادات PRISMA-ScR، التي تم تصميمها خصيصًا للإبلاغ عن مراجعات النطاق، كما يتضح من إكمال قائمة التحقق المرتبطة. بالإضافة إلى ذلك، تم تسجيل بروتوكول البحث مسبقًا في إطار العلوم المفتوحة، مما يوفر الشفافية ويسهل إعادة إنتاج منهجية الدراسة.
النتائج
في هذه الدراسة، تم فحص ما مجموعه 490 مقالة في البداية من حيث الصلة، مما أدى إلى تقييم 49 مقالة نصية كاملة بعد إزالة المكررات. بعد ذلك، تم استبعاد 11 مقالة، وتم تحديد 75 منشورًا إضافيًا من خلال تتبع المراجع والاستشهادات، مما أسفر عن مجموعة بيانات نهائية تضم 113 دراسة. كشفت التحليلات عن زيادة ملحوظة في المنشورات السنوية المتعلقة بتطبيقات رؤية الكمبيوتر في الذكاء الاصطناعي (CV-AI) في الجراحة.
من بين الدراسات، ركزت 55 (47%) على الإجراءات العامة، وكانت استئصال المرارة بالمنظار (LC) الأكثر تقييمًا بشكل متكرر. كانت الإجراءات القولونية والعلوية للجهاز الهضمي أيضًا بارزة، حيث تمثل 25% و19% من الدراسات، على التوالي. ركزت الغالبية العظمى من الأبحاث على فائدة CV-AI في الإجراءات بالمنظار (89%)، بينما شكلت التطبيقات المدعومة بالروبوت النسبة المتبقية 11%. كانت مجموعات البيانات التدريبية المستخدمة في هذه الدراسات متباينة بشكل كبير، تتراوح من خمسة إلى 700 فيديو جراحي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الحالة الحالية والتحديات المتعلقة بدمج الذكاء الاصطناعي المعتمد على رؤية الكمبيوتر (CV-AI) في البيئات الجراحية، وخاصة في الإجراءات بالمنظار وتلك المدعومة بالروبوت. يشير إلى أنه على الرغم من أن التقدم التقني واضح، إلا أن معظم الدراسات لا تزال في مرحلة الجدوى، حيث يتم تقييم 12% فقط من التطبيقات الفورية. تركز الغالبية العظمى من الدراسات على تحليلات صغيرة من مركز واحد مع مقارنات محدودة، مما يبرز فجوة كبيرة بين التحقق غير المتصل بالتطبيق العملي السريري. تحدد المراجعة أكثر من 40 مقياس أداء فريد عبر خمسة مجالات للمهام، مما يكشف عن تباين كبير في اختيار المقاييس والتكامل السريري، وغالبًا ما تفتقر إلى نقاط نهاية سريرية محددة مسبقًا.
علاوة على ذلك، تشير النتائج إلى أن ملاحظات الجراح عادة ما يتم جمعها بعد التطوير، مما يشير إلى نهج تفاعلي بدلاً من استباقي تجاه جاهزية النظام. على الرغم من أن مجالات مثل تحديد التشريح والتعرف على المرحلة تظهر وعدًا، إلا أنه لا يوجد دليل كافٍ لتأكيد أن CV-AI يعزز أداء الجراح أو نتائج العمليات. تقترح الورقة إطار تقييم لتسهيل الترجمة السريرية لـ CV-AI الجراحي، مع التأكيد على أهمية المقاييس القوية، وأداء النظام في الوقت الفعلي، وتكامل سير العمل، والعوامل البشرية. يهدف هذا الإطار إلى توجيه الدراسات المستقبلية في معالجة التحديات الانتقالية وتحسين تكامل CV-AI في الممارسة الجراحية.
القيود
تعترف المراجعة بعدة قيود قد تؤثر على شمولية وملاءمة نتائجها. أولاً، يعني التطور السريع لأبحاث CV-AI الجراحية أن الدراسات والمهام والمقاييس والإرشادات الأحدث قد لا تكون مدرجة. كانت المراجعة مقيدة بالمنشورات باللغة الإنجليزية التي تمت مراجعتها من قبل الأقران، مما قد يقدم تحيزًا لغويًا. بالإضافة إلى ذلك، تم إجراء فحص العنوان والملخص بواسطة مراجع واحد فقط، مما قد يؤدي إلى تحيز في الاختيار.
يحد التركيز على تطبيقات CV-AI الأقل توغلاً ضمن الجراحة العامة من إمكانية تعميم النتائج على تخصصات جراحية أخرى، مثل الإجراءات المفتوحة. علاوة على ذلك، فإن استبعاد التقنيات الجراحية عبر الشرج، والنهج داخل اللمعة، والمجالات الإشعاعية يضيق نطاق المراجعة. بينما تم استبعاد الدراسات التي تفتقر إلى فائدة الجراح أثناء العملية، قد يتجاهل هذا القرار الدور المحتمل لمنصات CV-AI في تعزيز سير العمل المحيطي وضمان الجودة. أخيرًا، يحد التقييم المحدود لنشر النظام في الوقت الفعلي في الدراسات المدرجة من الرؤى حول تكامل سير العمل، وقابلية الاستخدام، والأثر السريري. إن غياب تقييم رسمي لمخاطر التحيز أو التركيب الكمي يتماشى مع الطبيعة الاستكشافية للدراسة ولكنه قد يحد من قوة الاستنتاجات المستخلصة.
DOI: https://doi.org/10.20517/ais.2025.76
Publication Date: 2026-02-28
Author(s): Jayvee Buchanan et al.
Primary Topic: Surgical Simulation and Training
Overview
The review on surgical computer vision (CV) applications in general surgery indicates that these technologies are still in the early stages of development, marked by significant variability in the metrics used for evaluation and a lack of integration into clinical practice. Key translational gaps identified include insufficient external validation of CV-AI systems, challenges in real-time intraoperative assessment, and inconsistent reporting on usability.
To advance the field, the authors advocate for prospective evaluations of CV-AI technologies that utilize standardized metrics, annotation protocols, and transparent reporting in accordance with AI-specific frameworks. They emphasize the importance of enhanced governance, standardized reporting practices, and active collaboration with end-users to effectively transition from theoretical applications to dependable real-time decision-support tools that can aid surgical judgment and fit seamlessly into standard operative workflows.
Introduction
The introduction of the research paper discusses the rapid evolution of computer vision-based artificial intelligence (CV-AI) systems in general surgery, driven by advancements in image analysis. These systems utilize real-time video footage from minimally invasive surgeries to automate tasks such as surgical phase recognition, anatomical landmark identification, instrument tracking, and skill assessment. The integration of CV-AI into surgical workflows aims to enhance patient safety, improve surgical training, and optimize operating room processes. The authors emphasize the necessity of robust quantitative measures for evaluating these systems, with metrics tailored to specific tasks, including accuracy, precision, recall, and various spatial metrics for object detection and segmentation.
The paper identifies five principal task domains within CV-AI applications in surgery: anatomy detection, phase recognition, action-event recognition, instrument tracking, and skill assessment. Each domain employs distinct performance metrics, with anatomy detection and phase recognition being the most prevalent, evaluated in 88 studies. The authors note the variability in metric selection and the predominance of retrospective feasibility studies, highlighting the need for standardized evaluation frameworks to facilitate the clinical integration of CV-AI technologies. The primary aim of the scoping review is to map current CV-AI task domains and performance metrics, while secondary aims focus on assessing clinical readiness and integration features within surgical workflows.
Methods
The study employed the Joanna Briggs Institute (JBI) methodology for conducting scoping reviews, ensuring a systematic approach to the research process. The authors adhered to the PRISMA-ScR guidelines, which are specifically designed for reporting scoping reviews, as evidenced by the completion of the associated checklist. Additionally, the research protocol was registered in advance on the Open Science Framework, providing transparency and facilitating reproducibility of the study’s methodology.
Results
In this study, a total of 490 articles were initially screened for relevance, leading to the assessment of 49 full-text articles after removing duplicates. Following this, 11 articles were excluded, and an additional 75 publications were identified through reference and citation tracking, resulting in a final dataset of 113 studies. The analysis revealed a notable increase in annual publications related to computer vision in artificial intelligence (CV-AI) applications in surgery.
Among the studies, 55 (47%) focused on general procedures, with laparoscopic cholecystectomy (LC) being the most frequently evaluated. Colorectal and upper gastrointestinal procedures were also prominent, representing 25% and 19% of the studies, respectively. The majority of the research concentrated on the utility of CV-AI in laparoscopic procedures (89%), while robot-assisted applications accounted for the remaining 11%. The training datasets utilized in these studies varied significantly, ranging from five to 700 surgical videos.
Discussion
The discussion section of the research paper highlights the current state and challenges of integrating computer vision-based artificial intelligence (CV-AI) in surgical settings, particularly in laparoscopic and robot-assisted procedures. It notes that while technical advancements are evident, most studies remain in the feasibility stage, with only 12% evaluating real-time applications. The majority of studies are retrospective, focusing on small, single-center analyses with limited comparators, which underscores a significant gap between offline validation and practical clinical deployment. The review identifies over 40 unique performance metrics across five task domains, revealing substantial heterogeneity in metric selection and clinical integration, often lacking pre-specified clinical endpoints.
Furthermore, the findings indicate that surgeon feedback is typically collected post-development, suggesting a reactive rather than proactive approach to system readiness. Although areas like anatomical delineation and phase recognition show promise, there is insufficient evidence to confirm that CV-AI enhances surgeon performance or operative outcomes. The paper proposes an evaluation framework to facilitate the clinical translation of surgical CV-AI, emphasizing the importance of robust metrics, real-time system performance, workflow integration, and human factors. This framework aims to guide future studies in addressing the translational challenges and improving the integration of CV-AI into surgical practice.
Limitations
The review acknowledges several limitations that may affect the comprehensiveness and applicability of its findings. Firstly, the rapid evolution of surgical CV-AI research means that more recent studies, tasks, metrics, and guidelines may not be included. The review was restricted to English-language, peer-reviewed publications, which may introduce a language bias. Additionally, the title and abstract screening was conducted by a single reviewer, potentially leading to selection bias.
The focus on minimally invasive CV-AI applications within general surgery limits the generalizability of the findings to other surgical disciplines, such as open procedures. Furthermore, the exclusion of transanal surgical techniques, endoluminal approaches, and radiological domains narrows the scope of the review. While studies lacking intraoperative surgeon utility were omitted, this decision may overlook the potential role of audit CV-AI platforms in enhancing perioperative workflows and quality assurance. Lastly, the limited evaluation of real-time intraoperative deployment in the included studies restricts insights into workflow integration, usability, and clinical impact. The absence of a formal risk-of-bias appraisal or quantitative synthesis aligns with the exploratory nature of the study but may limit the robustness of the conclusions drawn.