人工智慧於神經保留機器手臂輔助根除性前列腺切除術中識別前列腺包膜之研究

導讀：人工智慧於神經保留機器手臂輔助根除性前列腺切除術中識別前列腺包膜之研究

在機器手臂輔助根除性前列腺切除術（RARP）中，精確地保留神經血管束對於病患術後的性功能恢復與控尿能力至關重要。然而，手術中如何精準界定前列腺包膜（Prostatic Capsule）與周邊筋膜的解剖層次，目前仍高度依賴外科醫師的個人經驗與視覺判斷。本研究旨在開發一套基於卷積神經網絡（CNN）的深度學習模型，協助術中即時識別前列腺包膜，以標準化神經保留（Nerve-sparing）技術。研究團隊收集了 2023 年至 2025 年間 18 例 NS-RARP 的手術影片，將其中 13 例用於模型訓練，5 例作為評估組。標註過程結合了病理學評估與資深醫師的影像審核，以確保標籤的準確性。結果顯示，該模型在定量評估中，中位 Dice 係數為 0.621，Intersection over Union (IoU) 為 0.451。而在由 7 位資深泌尿科醫師進行的定性評估中，該模型在輔助層次識別的一致性與有效性得分分別達到 3.6 與 3.1 分（總分 5 分）。作者解讀認為，儘管影像識別受限於術中出血或器械遮擋，但 AI 模型確實展現了輔助解剖定位的潛力，能降低醫師在複雜手術中的心理壓力，並有望縮短新進醫師的學習曲線，進而提升病患的術後功能性結果。

臨床意義

本研究將 AI 引入高度精細的泌尿外科手術中，直接解決了神經保留技術中最困難的解剖層次判定問題。這對於減少術後尿失禁與性功能障礙具有高度臨床價值。此外，該技術可作為教學工具，協助初學者克服學習曲線，減少因層次錯誤導致的切緣陽性或神經損傷風險，推動精準外科的發展。

重點整理

• 開發出首個專門用於 RARP 術中即時識別前列腺包膜的深度學習模型。
• 研究結合病理分級與醫師定性評估，證實 AI 能有效輔助解剖層次的判定。
• 臨床實測顯示 AI 輔助能顯著降低外科醫師在進行神經保留操作時的決策壓力。
• 模型在動態手術影像中展現了穩定的識別能力，有助於手術技術的標準化。