数智化诊疗技术在胆道外科中的创新应用2026

数智化诊疗技术在胆道外科中的创新应用2026胆道手术并发症（如胆道损伤、出血、狭窄及胆瘘等）发生率高达30%［1-3］，严重影响患者预后与生命质量。其主要原因包括：（1）胆道系统解剖结构复杂、个体差异显著，肝内外胆管与门静脉、肝动脉伴行紧密，构成交错的空间拓扑结构［4-5］，给术前解剖评估与手术路径规划带来极大挑战。（2）胆管在术中缺乏明确的视觉特征，常与邻近血管界限不清，限制了关键结构的识别与定位，增加了意外损伤的风险。（3）术后并发症多具有延迟性［6］，传统监测手段难以及时识别早期异常［7］，显著制约术后预警与干预的效率。在当前“精准外科”理念不断深化的背景下，构建覆盖“术前规划术中导航术后预警”的全流程诊疗体系，已成为提升胆道手术安全性与疗效的迫切需求。近年来，随着医工交叉的深入融合与AI技术的迅猛发展，三维可视化、分子荧光成像、术中导航和预后评估等数智化诊疗技术在肝胆外科领域逐步应用［8-11］，为破解上述难题提供了全新路径。通过融合深度学习图像处理、多模态影像配准、实时可视化交互与智能风险预测等关键方法，不仅可增强术者对解剖结构的感知能力，也为术中决策与术后风险干预提供了系统支持，推动胆道外科从“经验驱动”向“智能精准”模式加速转型。笔者总结了数智化诊疗技术在胆道外科中的关键应用与临床实践进展，结合国内外最新成果，探讨其在推动胆道手术精准化、智能化转型中的潜力与发展方向。一、术前可视化精确规划：融合多模态影像的胆道树三维重建胆道呈树状分支结构，与门静脉、肝动脉共同形成“三管并行”的立体网络，且胆道变异率高达40%［12-13］。这一解剖特性要求术者在术前必须全面掌握胆道树与血管的三维空间关系，以避免术中误伤关键结构或残留病灶。近年来，三维可视化技术作为解决术前解剖评估难题的核心工具，已在肝胆外科得到广泛应用。1项基于3402例患者的全国多中心临床研究结果证实：与传统二维影像比较，三维可视化技术可有效改善肝切除术的短期疗效与长期预后［14］。通过对术前影像数据进行分割、重建和渲染，构建个体化肝脏三维模型，可更直观地评估病灶分布、胆管狭窄位置及轴向长度，以及胆管与血管的空间关系与变异情况，从而显著提高手术的精确性与安全性。当前三维重建技术在胆道外科的应用仍面临挑战。三维可视化通常基于增强CT检查影像数据，但CT检查在分辨胆道软组织方面能力有限（图1A）。对于胆管梗阻患者，CT检查三维模型通常只能呈现梗阻近端扩张的胆管，梗阻部位及远端细小胆管常呈“模糊”或“断裂”状态；对于未梗阻或轻度狭窄患者，CT检查难以完整呈现非扩张胆管的细微分支。更具挑战性的是，大多数胆道梗阻患者术前常需接受引流治疗（如PTCD或ERCP），引流后胆道扩张度减弱甚至恢复正常，CT检查中的胆道信息显著减少，难以进行有效重建；而采用引流前影像重建，则与术中实际状态存在偏差，影响规划的准确性与临床决策的可靠性。因此，仅依赖单一CT检查难以构建完整、真实地反映术中解剖状态的胆道树模型，限制了术前规划的精度与实用性。MRCP检查通过重T2加权成像强化静止液体信号，可无创显示胆道树全貌，对扩张及非扩张胆管的显影能力均优于CT检查［1516］。其中，三维MRCP（3D-MRCP）检查通过高分辨率薄层图像，能够清晰展示肝内外胆道的整体结构［17］，尤其适用于非扩张胆管或引流治疗后胆道塌陷患者。因此，如何从3D-MRCP检查数据中精准提取胆道结构，构建完整的三维胆道树模型，成为术前三维模型“胆道树结构缺失”问题的关键突破口。Becq等［18］和Goldfinger等［19］基于阈值分割与区域生长算法，辅以人工交互，提出半自动化胆胰管三维建模方法，并应用于原发性硬化性胆管炎的病情评估与肝门部胆管癌ERCP引流路径规划。但此类方法仍高度依赖人工勾画感兴趣区域，难以兼顾效率与准确性。近年来，随着AI图像处理技术的进步，胆道结构自动分割迎来突破。Oh等［20］开发了基于ResUNet架构的胆道分割模型，成功应用于活体肝移植术前供体非扩张胆道的结构规划。同期笔者团队基于nnUNet框架，纳入多中心249例包含正常受试者、肝胆管结石和肝门部胆管癌患者的3D-MRCP检查影像，开发了适用于不同疾病状态的胆道分割模型［21］，能够自动且准确地分割各类扩张或非扩张胆管（图1B）。在此基础上，将MRCP检查重建的胆道模型与CT检查重建的血管模型进行配准融合（图1C、1D），构建“血管胆管病灶”一体化三维模型，有效弥补单一影像源的局限，提供更全面的解剖参考。该融合模型能够辅助术前识别胆道变异、病灶定位与胆肠吻合口的规划（图1E、1F），有助于降低术中出血和术后胆瘘风险，提升胆道手术的精准性与安全性［2122］。尽管目前融合多源影像的三维重建已取得重要进展，但由于CT与MRCP检查常在不同时间段完成扫描，受体位变化与器官动态变化影响，血管与胆道在空间位置上的解剖匹配差异不可忽视。现阶段临床应用主要依赖刚体融合方法配准，虽可满足手术规划需求，但仍需医师手动交互操作，融合精度和自动化程度有待进一步提升。随着AI图像处理技术的持续进步，笔者预测：未来基于Glisson蒂内门静脉与胆道伴行的解剖规律，探索以门静脉为引导的胆道图像生成与形变推理方法，进而实现两者高精度非刚体融合，有望进一步提升术前建模的准确性，为术者提供更真实的解剖参考。二、术中导航精准识别：基于吲哚菁绿与增强现实及混合现实的解剖结构可视化在实际手术过程中，胆管与门静脉、肝动脉三管并行于Glisson鞘内而难以清晰分辨，尤其在炎症反应或肿瘤侵袭区域，局部组织层次紊乱、界面模糊，术者在裸眼观察下难以准确识别胆管与血管边界，盲目操作易造成胆管、血管等损伤。此外，腹腔镜与机器人手术中术者面临触觉与压力反馈减弱的问题，进一步加剧了胆道识别的难度与损伤风险。因此，术中对胆道结构的精准识别已成为确保手术安全与成功的关键挑战。在此背景下，以吲哚菁绿荧光成像、增强现实和混合现实为代表的术中动态导航技术应运而生。通过实现关键解剖结构的实时可视化和空间定位，这类技术有望有效突破术中胆道识别的难题，为提高手术精度与安全性提供新的解决路径。吲哚菁绿荧光信号通过近红外摄像系统实时采集，并通过图像增强算法处理后叠加于术野图像。基于其经胆道排泄的特性，吲哚菁绿已广泛应用于肝外胆道的荧光成像，在胆囊切除、胆管解剖等手术中具有良好效果［23］。由于吲哚菁绿成像时间窗口有限，且易受肝实质背景荧光信号干扰，其注射时机与剂量成为影响成像质量的关键因素。目前，临床专家共识及相关研究主要推荐两种注射吲哚菁绿方案［24-27］：一种在术前1d以0.25mg/kg静脉注射，另一种在麻醉诱导时静脉注射标准剂量2.50mg。但在实际应用中，即使按照推荐方案操作，仍常出现肝背景荧光过强而影响胆道显影的问题（图2A、2B）。为优化成像质量，近期有研究提出将术中注射剂量从2.5mg降至0.05mg，可显著降低肝背景信号干扰［2829］。笔者团队开展的1项非劣效RCT结果显示：麻醉诱导时注射0.05mg吲哚菁绿相较于传统术前0.25mg/kg方案，能显著降低肝脏背景干扰并提高胆道结构成像清晰度，优化成像效果（图3A、3B），有望成为肝外胆道可视化的最佳选择［30］。除肝外胆道成像外，吲哚菁绿亦可用于肝内胆管系统的定位与术中引导。针对肝内胆道梗阻患者，笔者团队提出胆道梗阻区域荧光成像技术，即在术前3~5d通过外周静脉注射0.5mg/kg吲哚菁绿，利用梗阻区域内胆汁滞留的特点，术中仅病变胆道树区域呈现荧光聚集，在肝实质内外精准勾勒病变胆道区域（图4A、4B）［10，31］。这种方式较“经门静脉染色”更稳定、均匀，不仅精准切除肝内胆道肿瘤等病变，还完整切除了病变胆道树流域，有效降低术后胆瘘发生率。此外，吲哚菁绿荧光在胆道损伤的延期修复中同样具有重要应用价值。胆道损伤修复的关键在于明确胆道狭窄部位，但再次手术常面临广泛组织粘连、解剖结构紊乱及瘢痕包裹等挑战，导致传统手术视野下胆道边界更加模糊，存在较高的再次损伤风险。笔者团队发现，在手术麻醉诱导时注射0.05mg吲哚菁绿方案，可辅助术者识别被瘢痕包裹的胆管，并通过追踪荧光信号“截断点”明确胆汁流动受阻的具体位置（图5A、5B），为后续的胆肠吻合提供精准引导。尽管吲哚菁绿可实现胆道的实时显影，但其并不具备对肝脏内部血管结构的“透视”能力。增强现实技术通过视觉定位与形变配准算法，将术前三维模型与术中真实手术视野精准对准，并将融合后的图像实时投射至腹腔镜显示屏，实现关键结构的“透视化”展示（图6A），帮助术者更直观地掌握血管与胆管的空间关系［32］，从而优化手术路径与操作策略。笔者团队将增强现实导航应用于腹腔镜肝门部胆管癌根治性切除术中，成功辅助术者识别关键血管结构并规划肝切除平面［11］。但由于肝脏等软组织在术中受位移和牵拉等形变影响，术前静态模型与术中动态解剖之间存在差异，特别是在肝实质离断过程中导航精度下降明显。因此，笔者团队联合中国科学院深圳先进技术研究院，在ORB-SLAM2与GoICP配准框架基础上，将荧光腹腔镜图像特征引入形变约束条件，使得肝脏内部血管胆道系统的“透视”可视化成为可能。虽然荧光引导增强了配准效果，但同时显著增加了计算负荷。受限于现有GPU图像处理能力，配准过程需在精度与实时性之间权衡，当前增强现实导航技术主要用于术中关键步骤的辅助，而非全程实时导航，相关技术仍需进一步的研究与探索。混合现实技术的兴起也为术中可视化带来新突破。混合现实头戴显示设备可将患者个体化三维模型以全息方式投影至术者视野中，通过手势交互实现自由缩放、旋转与虚拟切割操作（图6B~6D），并可集成术中超声等实时成像信息［33］，避免频繁切换视图，提高术中决策效率。在5G网络支持下，混合现实远程协作系统还可实现多终端全息图像共享，专家可实时在术者视野中远程标注关键结构，提升复杂手术的可控性与安全性。尽管混合现实技术在可视化交互与时空协同方面取得显著进展，但虚实融合的精度和速度面临技术瓶颈，现有混合现实导航方式仍属于间接导航。笔者预测：未来混合现实发展方向将与增强现实技术趋同，即聚焦高精度、低延迟的实时配准算法，以实现混合现实导航在胆道外科中的常规化与广泛应用。三、术后智能风险预警：AI驱动的并发症预测建模除术前规划与术中识别外，术后并发症的早期预警与干预同样是影响胆道手术预后的关键环节。由于术后并发症的危险因素和发病机制高度异质，临床医师需整合来自多源、多模态的大量定性与定量信息以做出综合判断。如何从复杂、海量的临床数据中快速提取关键性信息，成为术后风险预测的核心难题。传统机器学习方法最早被应用于该领域，常采用逻辑回归、随机森林、决策树、支持向量机等算法，模型可在无需人工干预的情况下“学习”数据中的潜在模式，实现对术后并发症的自动预测与判别。例如，Merath等［34］基于决策树算法和15657例患者临床数据，构建肝脏、胰腺及结直肠手术的术后并发症发生率预测模型。然而，传统机器学习通常依赖专家手工设计特征、模型结构较为浅显，难以有效整合图像等非结构化信息，预测能力存在局限。为进一步提升模型的泛化能力和预测精度，深度学习技术被逐步引入术后风险预测。与传统方法相比，深度学习通过多层神经网络结构，可自动从原始文字、图像等数据中提取高层次语义特征，显著减少对人工特征工程的依赖，实现更强的建模能力与跨模态信息整合。Mu等［35］基于多中心513例术前CT训练CNN模型，构建深度评分体系，成功预测胰十二指肠切除术后胰肠吻合口瘘，其性能优于传统胰瘘评分系统；Fodor等［36］结合高光谱成像与CNN网络，验证了深度学习在预测肝移植后胆道并发症中的应用潜力。然而，术中操作过程作为影响术后结果的核心变量，因其具有持续性、动态性与高度复杂性，目前仍难以实现系统化、量化建模，导致术中信息难以有效纳入术后风险评估体系，显著限制了模型预测的全面性与准确性。因此，如何科学评估术中操作成为下一阶段风险预测研究的关键突破口。随着人工智能计算机视觉与大语言模型技术的飞速发展，计算机已具备理解、解析并结构化手术图像和视频的能力，为术中信息量化与建模提供可能。Hegde等［37］开发的深度学习模型可自动识别LC的不同阶段、步骤和具体操作任务；笔者团队利用DeepLabv3+与nnU-Net模型，成功对来自全国多中心64例标准化腹腔镜肝切除术视频中肝内血管结构进行精确分割［38］；Sasaki等［39］通过术中RGB图像信息实现结直肠手术出血量的量化评估；Wang等［40］提出机器人手术操作报告自动生成模型，基于手术器械识别与组织交互分析输出相关结构化指标。此外，还有研究探索将视觉语言大模型应用于机器人手术中，实现基于自然语言指令的术中图像问答与信息提取［4142］。尽管现有技术已在术中时间节点识别、结构标注、出血评估、器械行为解析和语言理解等方面取得初步成果，但将这些术中信息与术后并发症风险预测深度融合的研究仍处于起步阶段。此外，当前多数AI模型验证仍停留在内部验证阶段，外部验证及多中心推广有限。未来，有望引入多中心数据共享和模型更新机制，例如基于增量学习或联邦学习等优化方案，提升模型稳定性与泛化能力，以适应新临床数据的动态变化