近日，珠江医院教授杨剑团队研发了基于多器械运动轨迹分析的手术技能评估系统DeepSkill，通过人工智能计算机视觉技术分析真实手术视频中器械运动特征，将过去依赖专家经验的手术技能评价转化为可量化、可分析的运动学指标，为外科手术质量控制和精准化技能培训提供了新的技术路径。

团队外科医生的手术技能直接关系患者手术安全和术后恢复质量。长期以来，如何客观、精准地评价医生的手术操作水平，是外科培训和质量控制领域面临的重要难题。过去，手术技能评价主要依赖专家观看手术视频后的经验判断，难以形成规范的质控标准。在腹腔镜手术中，不同经验阶段术者的差异往往隐藏在细微操作中，例如器械控制是否稳定、动作是否流畅、操作效率是否合理、双手协同是否协调等。而团队研发的DeepSkill基于常规腹腔镜手术视频，自动识别并追踪手术器械运动轨迹，进一步分析器械运动速度、加速度、平稳性、操作效率以及器械间的协同关系，并通过机器学习模型实现技能等级判断和连续评分。

与既往多在模拟环境或特定数据集上验证的人工智能评价模型不同，该研究进一步面向真实临床场景开展验证，并在国际公开HeiChole数据集上完成外部测试。结果显示，在真实手术环境中，DeepSkill评分与高级专家评价具有较好一致性，整体判别能力优于住院医师和主治医师；且在不同中心、不同数据来源的验证中，模型仍保持较好的分类能力，显示出进一步推广应用的潜力。

该研究成果在国际权威外科期刊《JAMA Surgery》在线发表，题为“Artificial Intelligence-Driven Video-Based Surgical Skill Assessment in Hepatobiliary Laparoscopic Surgery”。珠江医院肝胆一科曾小军博士后、中国科学院深圳先进技术研究院李语翀博士为论文共同第一作者，杨剑、陶海粟为共同通讯作者。研究团队表示，手术技能评价的价值在于帮助医生看见自身操作特点，找到可改进的关键环节。DeepSkill无需额外传感设备，仅基于常规手术视频即可完成分析，既能输出技能评分，也能生成器械运动轨迹和活动热图，直观呈现术者操作过程中的运动模式、效率变化和潜在问题，为术后复盘、个体化培训和学习曲线缩短提供客观依据。

未来，DeepSkill不仅有望成为外科医生身边的“AI质检员”，实现手术技能的客观评价与质量反馈，还可进一步融合术中解剖识别、事件感知和智能决策等技术，向辅助复杂手术实施的“AI领航员”发展。随着系统进一步融合术中解剖识别、关键事件感知和智能决策支持等技术，其应用场景有望拓展至肝切除、胰腺手术等复杂肝胆外科及更多外科领域，推动外科培训和手术质量控制从“经验评价”走向“数据驱动”，助力形成可复制、可推广、可规范化的微创手术技能评价体系，让更多医生受益，最终惠及更多患者。