ابزارهای هوش مصنوعی, پزشکی

ارزیابی مهارت جراحان با هوش مصنوعی؛ وقتی ماشین به ویدیوهای لاپاراسکوپی نمره می‌دهد

پزشک جراح و ربات هوش مصنوعی در حال تماشای مانیتور و ارزیابی کیفیت ویدیوی جراحی لاپاراسکوپی و نمودارهای مهارت جراحی

خلاصه سریع مقاله

  • پایان ارزیابی‌های سلیقه‌ای: روش‌های سنتی سنجش مهارت جراحان، به‌شدت به نظر شخصی داوران وابسته و زمان‌بر است. این مطالعه یک سیستم هوش مصنوعی برای ارزیابی خودکار ویدیوهای جراحی معرفی می‌کند.
  • پردازش ویدیوهای جراحی معده: محققان در ژاپن ۱۳۹۹ ویدیوی جراحی لاپاراسکوپی برداشتن معده (LDG) را برای آموزش و آزمایش یک مدل «تشخیص فاز جراحی» به کار گرفتند.
  • دقت شگفت‌انگیز ماشین: این مدل توانست با دقت ۹۰.۳ درصد مراحل مختلف جراحی را تشخیص دهد و کیفیتی از جریان کار جراح را در قالب «نمره کل هوش مصنوعی» ارائه کند.
  • تطابق با نظر اساتید جراحی: نمره‌ای که هوش مصنوعی به جراحان می‌داد، تطابق معناداری با سطح مهارت واقعی آن‌ها (بر اساس گواهینامه‌های رسمی) داشت.
  • کاهش بار کاری داوران: این فناوری می‌تواند ویدیوهای جراحی را غربالگری کرده و نیاز به بازبینی‌های طولانی‌مدت توسط اساتید جراحی را به‌شدت کاهش دهد.

تعریف اصطلاحات کلیدی عنوان

۱. گاسترکتومی دیستال لاپاراسکوپیک (LDG) چیست؟

یک روش جراحی کم‌تهاجمی است که در آن بخش پایینی معده (معمولاً به دلیل سرطان) از طریق ایجاد سوراخ‌های کوچک روی شکم و با استفاده از دوربین و ابزارهای خاص برداشته می‌شود.

۲. مدل تشخیص فاز (Phase Recognition Model)

الگوریتمی در هوش مصنوعی است که یک فرآیند طولانی (مثل یک عمل جراحی چند ساعته) را به مراحل یا «فازهای» مجزا و معنادار تقسیم می‌کند تا بتواند زمان‌بندی و کیفیت انجام هر مرحله را تحلیل کند.

۳. سیستم ESSQS

سیستم احراز صلاحیت مهارت‌های جراحی آندوسکوپیک ژاپن؛ یک استاندارد بسیار سخت‌گیرانه که در آن اساتید ارشد، ویدیوهای جراحی پزشکان را بازبینی کرده و به مهارت آن‌ها برای دریافت گواهینامه نمره می‌دهند.

در تقاطع هنر جراحی و علوم داده؛ چگونه مهارت یک جراح را می‌سنجیم؟

اتاق عمل، تجلی‌گاه بالاترین سطح از مهارت‌های انسانی است؛ جایی که میلی‌مترها و ثانیه‌ها سرنوشت یک بیمار را رقم می‌زنند. اما یک پرسش بنیادین در آموزش پزشکی همواره بی‌پاسخ مانده است: چگونه می‌توان مهارت تکنیکی یک جراح را به‌طور کاملاً عینی و بدون دخالت سلیقه شخصی ارزیابی کرد؟

در سیستم‌های سنتی، جراحان برای اثبات صلاحیت خود باید ویدیوهای جراحی‌شان را برای اساتید ارشد ارسال کنند. این فرآیند نه‌تنها بار کاری کمرشکنی بر دوش متخصصان باتجربه می‌گذارد، بلکه همواره با خطای انسانی و تفاوت در دیدگاه داوران (Interobserver variability) همراه است. اکنون، مطالعه‌ای پیشگامانه که در نشریه معتبر Surgical Endoscopy منتشر شده، نشان می‌دهد که هوش مصنوعی می‌تواند نقش یک «داور بی‌طرف و خستگی‌ناپذیر» را بر عهده بگیرد.

آموزش بینایی ماشین برای درک پیچیدگی‌های لاپاراسکوپی

پژوهشگران ژاپنی در یک پروژه چندمرکزی عظیم، به سراغ یکی از ظریف‌ترین جراحی‌های دستگاه گوارش رفتند: لاپاراسکوپی دیستال معده (LDG). آن‌ها به جای آنکه از هوش مصنوعی بخواهند صرفاً تصاویر ثابت را تحلیل کند، یک مدل تشخیص فاز (Phase Recognition) توسعه دادند.

اما این مدل چگونه کار می‌کند؟ الگوریتم هوشمند، ویدیوی جراحی را به ۹ مرحله (فاز) مجزا تقسیم می‌کند. ماشین با بررسی نحوه گذر جراح از یک مرحله به مرحله دیگر، میزان تسلط او بر ابزارها، کیفیت نمایش بافت‌ها (Exposure) و کارایی جریان عمل (Workflow efficiency) را می‌سنجد.

برای آموزش این سیستم، از ویدیوهای ضبط‌شده بین سال‌های ۲۰۱۵ تا ۲۰۲۱ استفاده شد. در نهایت، پس از پالایش داده‌ها، ۹۵۵ ویدیو برای آزمون نهایی این «داور دیجیتال» به کار گرفته شد.

وقتی نمره ماشین با قضاوت اساتید هم‌خوانی پیدا می‌کند

محققان برای اینکه بدانند هوش مصنوعی تا چه حد درست قضاوت می‌کند، جراحان را بر اساس گواهینامه‌های رسمی کشور ژاپن (ESSQS) به سه گروه مهارتِ بالا، متوسط و پایین تقسیم کردند. سپس از هوش مصنوعی خواستند تا بدون اطلاع از سابقه جراح، به ویدیوها یک نمره جامع با عنوان Total AI Score اختصاص دهد.

نتایج، فراتر از حد انتظار بود:

  • دقت مدل در تشخیص مراحل جراحی به ۹۰.۳ درصد رسید.
  • نمره کل هوش مصنوعی در گروه «مهارت بالا»، به‌طور معناداری بیشتر از دو گروه دیگر بود (p = 0.003).
  • ماشین توانست با حساسیت بالای ۹۵.۷ درصد، جراحانی را که واجد شرایط دریافت گواهینامه مهارت بودند، به‌درستی شناسایی کند.

آینده ارزیابی‌های جراحی؛ فیلترینگ هوشمند

این دستاورد آکادمیک، به معنای حذف کامل اساتید از فرآیند ارزیابی نیست. بلکه، یک استراتژی طبقه‌بندی خطر (Risk-stratification) را پیشنهاد می‌دهد. در این سیستم جدید، هوش مصنوعی تمام ویدیوها را در گام اول تماشا می‌کند. ویدیوهایی که نمره کامل و بی‌نقص دریافت می‌کنند، به‌طور خودکار تأیید می‌شوند، و تنها ویدیوهایی که دارای خطاهای تکنیکی یا نمرات مرزی هستند، برای بازبینی دقیق‌تر به اساتید جراحی ارجاع داده می‌شوند.

این رویکرد نه‌تنها کیفیت آموزش و سنجش را در فلوشیپ‌های جراحی دگرگون می‌کند، بلکه با استانداردسازی ارزیابی‌ها، در نهایت منجر به افزایش ایمنی بیمار در اتاق عمل خواهد شد. بینایی کامپیوتری اکنون دیگر فقط تومورها را تشخیص نمی‌دهد؛ بلکه می‌تواند ظرافت دستان یک جراح را نیز تحسین کند.

درباره سانوس

در مجموعه سانوس، تمرکز ما بر ورود هوش مصنوعی به حیاتی‌ترین و پیچیده‌ترین بخش‌های درمان، یعنی اتاق عمل است. پردازش ویدیوهای جراحی با استفاده از شبکه‌های عصبی عمیق، ظرفیت بی‌نظیری برای ارتقای استانداردها ایجاد می‌کند. ما در سانوس معتقدیم که تحلیل مبتنی بر هوش مصنوعی نه‌تنها در ارزیابی مهارت‌های تکنیکی جراحان راهگشاست، بلکه می‌تواند در لحظه (Real-time) به‌عنوان یک دستیار ناوبری، خطاهای احتمالی را به تیم جراحی هشدار دهد. تبدیل داده‌های بصری خام در لاپاراسکوپی به نمرات کمی و کیفی، گامی بلند در مسیر پزشکی مبتنی بر داده است که سانوس با قدرت در آن گام برمی‌دارد.

سوالات متداول

۱. آیا هوش مصنوعی در این مطالعه جایگزین اساتید ارزیاب شده است؟

خیر. این سیستم به‌عنوان یک ابزار کمی (Quantitative) برای کمک به داوران انسانی طراحی شده است تا با غربالگری اولیه ویدیوها، بار کاری آن‌ها را کاهش دهد و قضاوت‌ها را استانداردتر کند.

۲. مدل «تشخیص فاز» دقیقاً چه چیزی را در ویدیو می‌بیند؟

این مدل درک می‌کند که جراح در کدام مرحله از عمل قرار دارد (مثلاً مرحله بریدن عروق یا مرحله بخیه زدن). سپس با ارزیابی زمان سپری‌شده و کیفیت دید در هر مرحله، روانیِ کار جراح را می‌سنجد.

۳. چرا جراحی لاپاراسکوپی معده برای این پژوهش انتخاب شد؟

زیرا این جراحی یکی از پروسه‌های پیچیده و استانداردشده در ژاپن است که دارای سیستم ارزیابی دقیق (ESSQS) برای جراحان می‌باشد و داده‌های ویدیویی ساختاریافته‌ای از آن در دسترس بود.

۴. حساسیت ۹۵.۷ درصدی در این پژوهش به چه معناست؟

یعنی هوش مصنوعی توانسته است تقریباً ۹۶ درصد از جراحانی را که واقعاً در سطح عالی (دریافت گواهینامه) بوده‌اند، به‌درستی تشخیص دهد و نمره قبولی را به آن‌ها اختصاص دهد.

منبع مقاله

Umemiya A, Takenaka S, Kitaguchi D, et al. AI-based assessment of surgical efficiency and exposure quality in laparoscopic distal gastrectomy using a phase recognition model. Surgical Endoscopy. 2026 Jul 27. doi: 10.1007/s00464-026-13188-4.

برای مشاهده مقاله رو دکمه زیر کلیک کنید