建立适应人工智能应用研究的腹腔镜机器人手术视频库中国专家共识（2026版）

建立适应人工智能应用研究的腹腔镜/机器人手术视频库中国专家共识（2026版）【关键词】人工智能；计算机视觉；微创外科；手术视频；专家共识随着智能化医疗技术的进步，人工智能（artificialintel⁃ligence，AI）在微创外科领域的应用日益深入并展现明确应用前景。当前，基于区域医疗中心大数据平台，AI技术已广泛应用于辅助诊断、决策支持及预后评估等诊疗全流程。尤其在头颈外科、眼科、骨科等精细化操作要求突出的学科，正积极尝试将AI模型与腔镜/机器人手术平台结合应用，赋予术者“全知透视”与“精准操控”能力，进而提升解剖精度、降低手术创伤与操作复杂度，有效提高手术成功率［1］。然而，在消化系统肿瘤领域，手术场景多样性、解剖结构变异性、技术平台异质性以及操作手势复杂性，使得AI技术的实践应用面临严峻挑战。主要瓶颈包括：高质量训练与验证数据集匮乏、算法性能与实际技术需求存在差距，以及医疗政策、法律法规和病人隐私保护等伦理法规层面的限制。鉴于此，现阶段突破AI应用研究困境的关键，在于合理获取并深度挖掘标准化、高质量的手术视频数据，这已成为广大临床工作者与AI研究人员的共同目标。为响应这一迫切需求，并为我国AI在微创外科领域的应用研究提供符合伦理规范、质量可控及监管要求的数据源，针对建立适应AI应用研究的腹腔镜/机器人手术视频库（后文中可简称为手术视频库）提出系统化规范与指导原则，由中国医师协会外科医师分会专业信息传播和教育专家工作组、中国医师协会外科医师分会手术质量控制与评价专家工作组联合发起制订《建立适应人工智能应用研究的腹腔镜/机器人手术视频库中国专家共识（2026版）》（以下简称本共识），成立涵盖肝脏、胆囊、胰腺、胃肠等微创外科以及机器人、AI、循证医学等多学科工作组，采用德尔菲共识法［2］，对工作组中的31位临床及AI研究专家共进行2轮调研，并按表1标准确定推荐意见和证据分级。本共识制定主要参考中华人民共和国医药行业标准《人工智能医疗器械质量要求和评价》第2、3部分（数据集通用要求，数据标注通用要求）［3-4］，《面向人工智能的数据治理（DG4AI）实践指南1.0》［5］，《新一代人工智能伦理规范》［6］，腹腔镜手术视频教育指南（LAParoscopicsurgeryvid⁃eoeducationalGuidelineS，LAP-VEGaS）［7］，美国胃肠和内镜外科医师协会（SocietyofAmericanGastrointestinalandEn⁃doscopicSurgeons，SAGES）AI工作组发布的手术视频采集、标注和应用、结构、探究专家共识［8-10］，以及国内外临床研究提供的循证医学证据。围绕建立手术视频库的“重要意义、内容、方法和行为规范”4个方面，经过工作组临床和AI专家共同讨论，共总结凝练18组推荐意见，以期对建立适应AI应用研究的腹腔镜/机器人手术视频库加以规范和指导，进而为我国AI赋能微创外科应用研究提供符合伦理规范、质量标准统一的可追溯数据源。1现阶段AI技术在微创外科中的应用场景和研究瓶颈目前，AI技术在消化系统疾病精准诊断领域已得到较多高质量Ⅲ期多中心随机对照试验（randomizedcontrolledtrial，RCT）研究结论，覆盖食管、胃、肝、结直肠和胆囊等多个器官。Luo等［11］开发出胃肠道人工智能诊断系统（gastro⁃intestinalartificialintelligencediagnosticsystem，GRAIDS），可有效提高上消化道肿瘤诊断的有效性；Yuan等［12］开发出针对浅表食管鳞癌和癌前病变的计算机辅助检测（comput⁃er-assisteddetection，CADe）内镜系统，可提升早期隐匿病灶的筛查准确率；Wu等［13］研发的CADe胃镜系统可显著降低胃肿瘤的漏诊率；Wang等［14］开发的CADe结肠镜系统也在一项单中心、前瞻性临床研究中被证实可有效降低肠腺瘤漏诊率；Chen等［15］在国内最早开展基于AI模型的病理基因诊断，可对肝癌实现精准的病理分类和基因突变预测；Yang等［16］提出基于循环游离DNA（cfDNA）与影像组学的GBCseeker模型，可实现胆囊癌与良性病变的无创精准鉴别。此外，Chen等［17］针对腹腔内转移病灶的实时CADe系统也可提高腹腔镜探查中胃癌分期的准确性。Hu等［18］提出“平扫CT+AI”筛查新模式（gastriccancerriskassessmentprocedurewithartificialintelligence，GRAPE），在大规模临床研究中显著提高胃癌检出率。上述高质量研究结论均充分证实AI辅助策略在消化系统疾病诊断中发挥了重要的应用价值。推荐意见1：AI已广泛应用于微创外科的诊疗全流程，在疾病精准诊断、围手术期管理、生存预后预测、手术规划导航等环节已展现一定应用价值。特别在消化系统肿瘤精准诊断领域，CADe和计算机辅助诊断（computer-assist⁃eddiagnosis，CADx）模型可有效提高早期或隐匿性病灶的检出率，降低漏诊率。（证据级别：高；推荐强度：强推荐）当前AI技术落地方向仍聚焦于手术数字化管理，包括基于视频结构化分析的术后复盘系统、术式质量评价模型以及结合力反馈数据的医师技能量化评估体系，同时拓展融合显示技术在职业教育中的应用深度［19-22］。研究结果表明，Wu等［23］开发出针对腹腔镜胆囊切除术（laparoscopiccholecystectomy，LC）的SurgSmart系统，能够在术后对LC手术视频的手术阶段、胆囊炎症程度、关键离断动作以及关键安全视野（criticalviewofsafety，CVS）完成度进行自动识别，进而达到安全评估和质量控制的目的。在手术智能化领域，AI已逐步渗透至术前规划（术前三维重建、数字孪生等）、术中导航（病灶定位、决策支持等智能辅助）和围手术期管理（并发症及死亡风险评估）等环节，且已在研究层面取得初步进展［24-27］。Madani等［28］开发的深度学习模型可在术中实时识别肝脏、胆囊及胆囊三角的安全切除范围，为提高手术安全性提供可行的辅助策略。此外，手术自动化是目前计算机辅助干预（computer-assistedintervention，CAI）研究领域的重要方向，在消化系统中，智能组织自主机器人（smarttissueautonomousrobot，STAR）可在肠吻合术中实现条件自主性缝合，手术机器人分层架构系统（hierar⁃chicalsurgicalrobottransformer，SRT-H）可在离体水平完成高度自主性胆囊切除术，且均具备较高准确性［29-31］。尽管如此，AI技术在提升围手术期安全性和优化创伤控制指标等方面仍缺乏多中心RCT的高质量循证医学证据，尚未被临床专家广泛认可并开展广泛临床实践［32］。推荐意见2a：面向微创手术（minimallyinvasivesur⁃gery，MIS）环节，AI主要应用于复盘、质控、评估及教育等非干预领域。对于安全保障和创伤控制等实际临床疗效，AI技术的应用价值尚未形成一致性结论。（证据级别：中；推荐强度：强推荐）推荐意见2b：在AI应用研究层面，推荐在手术规划、定位导航、手术自动化等CAI方向加强探索，并开展高质量的临床转化研究。（证据级别：中；推荐强度：强推荐）根据2025年上海科学智能研究院联合SpringerNature旗下NatureResearchIntelligence发布的《科学智能白皮书2025》，计算机视觉（computervision，CV）是全球范围内2015—2024年间生命科学-AI交叉领域中增长速度最快的技术之一，已成为微创外科智能化发展的首要突破方向［33］。其在微创外科中的核心价值体现为：将病理切片、医学影像或内镜视频等视觉数据流转化为可量化分析的结构化信息，并训练深度学习（deeplearning，DL）模型逐步实现临床决策或干预，其技术路线涵盖语义/实例分割与目标识别、实时推理、融合显示等，以实现多模态场景理解［34］。相较于在病理学、影像学及消化内镜CADe/CADx领域的成熟应用，CV与腹腔镜/机器人手术平台的交叉融合仍面临临床转化瓶颈［34］。而突破方向则在于获取大规模、高质量、同标准的手术视频，以支撑对手术时相、器械、操作动作、关键解剖结构及病灶的精准分割与智能识别，开发出模拟甚至超越人类视觉认知能力的AI模型［35］。推荐意见3：CV是推动AI应用于微创外科手术干预环节的关键技术。而腹腔镜/机器人手术视频作为CV应用研究的重要数据资源，其质量和可及性对于CAI的发展和临床转化至关重要。（证据级别：中；推荐强度：弱推荐）在AI/CV技术开发层面，适用于微创外科的算法模型（如针对医学语义分割的DeepLabV3+、nnU-Net模型［36］，单模态实例分割的交互式MedSAM模型［37］，跨模态多任务分割的VILA-M3模型［38］等）已展现出可靠的临床辅助决策或干预潜力。然而，用于DL模型训练和验证的视频数据却面临较大挑战，严重制约了AI模型的开发和转化应用：受限于伦理规范差异与跨领域知识壁垒，手术视频库建立存在标准化不足、隐私泄露风险及监管机制缺失等障碍，直接导致视频数据存在样本量不足、质量低下、交流机制匮乏等问题。其中，偏倚被认为是目前手术视频的主要质量缺陷，且易被临床医生忽视，造成研究人员对AI/CV模型效能的误判［39］。中华人民共和国医药行业标准《人工智能医疗器械质量要求和评价》第2部分“数据集通用要求”中明确指出，数据偏倚主要需考虑选择偏倚、覆盖偏倚、参考标准偏倚、验证偏倚、标注顺序偏倚、情景偏倚等。为突破上述瓶颈，本共识推荐完善医工沟通渠道，联合制定视频库建立规范，并开展跨学科人员培训及偏倚控制教育，丰富用于AI/CV转化研究的腹腔镜/机器人手术视频［34］。推荐意见4：为推动CV模型开发，推荐建立医工协同机制（组建跨学科的协会学组，定期举办研讨会等），共同制定视频采集、治理规范，建立符合数据安全、质量控制及监管规范的手术视频库。（证据级别：低；推荐强度：强推荐）本条推荐意见虽缺乏高级别证据，但基于医疗数据伦理治理、隐私保护及推动医工交叉实践的必要性，经专家组讨论一致予以强推荐。2适应AI/CV应用研究的腹腔镜/机器人手术视频库，需系统性规范的信息要素目前，尚无以AI/CV应用为导向的腹腔镜/机器人手术视频库的明确定义。SAGES人工智能工作组于2023年发布的《SAGES手术视频数据使用、结构与探索共识建议（用于人工智能研究、临床质量改进和外科教育）》中提出了用于科学研究的手术视频数据“生命周期”（datalifecycle）概念，其主要涉及数据结构、采集、存储与共享、数据使用与探索以及数据治理等环节［10］。在上述数据生命周期概念的基础上，本共识参考用于基础生命科学研究的生物样本库定义范式［40］，对面向AI研究的手术视频库作出初步界定。该界定以视频标签化为核心，以区别于传统以教育和交流为目的的手术视频库，并将随该领域研究的深入而逐步完善。推荐意见5：适应AI/CV应用研究的腹腔镜/机器人手术视频库可定义为：规范化筛选、采集、脱敏、存储，并经标签化，可安全高效交流、使用、研究手术视频及关联临床资料的数据生态。（证据级别：中；推荐强度：强推荐）推荐意见6：该定义的核心为“标签化”，即根据所进行的AI任务对手术视频进行预处理，包括信息标注、适度剪辑等，旨在为AI/CV模型开发提供高质量的元数据，有别于以医学教育和学术交流为目的的传统手术视频库。（证据级别：中；推荐强度：弱推荐）LAP-VEGaS作为2018年发布用以规范腹腔镜手术视频（用于职业教育和技能培训）报道的实践指南，针对7大模块内容，共提出37条共识意见，包括：作者信息与视频介绍（作者姓名、单位、国籍；手术时间；手术方式；知情同意书等）、病例报告（性别、年龄、地区、身高、体重等；术前CT/MR/内镜图像等）、手术操作演示（病人体位，布孔，术者及麻醉师站位，手术操作流程等）、操作结局（手术并发症及分级、手术时间、术中出血量、住院天数、术后恢复情况等）、关联教学内容（示意图、知识点、相关的研究发现等）、同行评议以及教学大纲［7］。该指南填补了手术视频交流行为规范的缺失，且该标准已被WebSurg等手术视频库及多项研究采纳，用于规范视频数据的采集和发布［41-42］。本共识即参考LAP-VEGaS实践指南及SAGES手术视频采集标准、专家共识，制定本条推荐意见，旨在规范纳入AI/CV应用研究的腹腔镜/机器人手术视频质量和关联信息。同时，本共识初步设计了配套的“手术视频入库信息登记表”（见附件1），以规范手术视频的采集流程。推荐意见7a：腹腔镜/机器人手术视频采集基本遵循LAP-VEGaS实践指南，推荐采用多模态数据库构建模式，除手术视频外，尽可能收集：关联病人的基本信息，术前内镜、影像学资料，体位、布孔、机械臂布局，术后病理资料，围手术期临床资料，以及远期生存预后等（详见附件1：手术视频入库信息登记表）。（证据级别：高；推荐强度：弱推荐）推荐意见7b：为兼顾腹腔镜/机器人手术视频库质量标准与数据收集效率，推荐入库视频分辨率至少达到1080p，帧率至少为24fps。（证据级别：低；推荐强度：弱推荐）随着LAP-VEGaS实践指南和SAGES手术视频专家共识的发布，视频库构建已逐步规范化。现有典型实例包括：面向教育培训的开放视频库（如WebSurg、MEDtube等），支持AI研究的标注视频数据集（如针对LC的Cho⁃lec80、TUMLapChole数据集，针对胃周血管的LapGCKVAD-30数据集等），这些资源显著丰富了AI模型开发的数据源［43-45］。为加强手术视频在多中心AI/CV应用研究中的数据价值，优化医工协作模式，本共识基于对国际指南及视频库应用的系统性总结，结合对临床医生和研究人员的深度调研，提出腹腔镜/机器人手术视频库构建需遵循2016年发布的科学数据FAIR原则，即需具备可检索性（findability）、可访问性（accessibility）、互操作性（interopera⁃bility）和可复用性（reusability），以避免视频数据“孤岛”发生，充分发挥手术视频资源的科学研究价值［46］。推荐意见8：为适应AI/CV应用研究目的，满足多中心研究需求，配合医工交叉研究模式，推荐构建符合FAIR原则的腹腔镜/机器人手术视频库。（证据级别：高；推荐强度：强推荐）3建立标准化的AI/CV应用研究导向的腹腔镜/机器人手术视频库为适应研究目的、满足多中心研究要求，且便于研究人员检索、理解、利用元数据，本共识提出需对手术视频进行信息标注，并根据FAIR原则中的可检索性和互操作性，参考SAGES手术视频标注共识意见［8］，提出标注总体原则。其中，通用性是指信息标注系统应适用于所有微创外科手术，包括腹腔镜、机器人等不同平台采集的手术视频。机器可读性与临床适用性是指标注信息在能被DL模型读取的基础上，同时需具备实际的临床意义，例如，对于术区出血的标注，应为术中并发症而非术野的污染或模糊。灵活性是指标注系统需适应不同的手术场景，如罕见病例、解剖变异、创新术式等。非冗余性是指避免使用多个术语描述同一对象（包括解剖结构、事件、操作等），推荐采用结构化可扩展术语体系（通用名+自由文本表述），即基于受控术语集［参考国际疾病分类（InternationalClassificationofDiseases，ICD-10）、医学系统命名法-临床术语（System⁃atizedNomenclatureofMedicine-ClinicalTerms，SNOMEDCT）、手术过程模型本体（ontologyforsurgicalprocessmod⁃els，OntoSPM）等国际通用命名法］构建分级语义网络，同时允许通过扩展机制添加自由文本描述，既可保障标签检索的准确性，又兼容临床实践中未预定义的复杂情况［47-49］。推荐意见9：腹腔镜/机器人手术视频库建立核心为标签化，推荐对筛选采集的手术视频的关键帧进行简要信息标注，并用于标签检索。（证据级别：中；推荐强度：强推荐）推荐意见10：手术视频标签化的总体原则为：（1）通用性。（2）机器可读性和临床适用性。（3）灵活性。（4）非冗余性（推荐使用结构化可扩展术语体系）。（证据级别：低；推荐强度：弱推荐）为平衡标注成本和数据价值，推荐根据标注对象的变异性，动态调整帧采样密度和标注精细度：对于变异性高的对象（如形变组织、缝合动作、喷射/渗血等）需高频采样和细粒度标注，而变异性低的对象（如手术器械、平移动作、胆囊暴露等）则可减少帧采样密度并简化标注精细度［8］。推荐意见11：推荐术中对于关键解剖区域操作前、后进行定格拍摄，以留取关键帧；同时关键帧选择推荐满足以下条件：（1）完整且清晰展示可视化目标对象。（2）避免被烟雾、血液、脂肪、纱布及手术器械遮挡目标对象。（3）根据目标对象的变异性选择合适粒度的关键帧。（证据级别：中；推荐强度：强推荐）手术视频的标注内容应依据手术关键技术及研究目的详细制定，在视频库建立初期，可仅针对部分关键信息进行简要标签化处理，便于AI研究人员进行检索、回溯。参考目前已发表的研究证据，AI/CV模型可进行分割识别的对象包含但不限于以下：（1）手术时相（包含准备-分离重建等手术阶段）、步骤、任务［50-52］。（2）操作手势、动作（缝合、分离、暴露、清洁镜头等）［35］。（3）手术器械［53］。（4）重要器官（肝脏、胆囊、胃、小肠、结肠、网膜、胰腺、脾脏等）。（5）重要解剖区域和结构（解剖区域如Glisson蒂、胆囊三角、Toldt筋膜、幽门下区等；解剖结构如门静脉、肠系膜动静脉、胃周关键血管等，原发病灶及转移病灶，包括腹膜转移病灶及肝脏表面转移病灶等）［54-55］。（6）不良事件（如出血点及出血量等）［56-57］。推荐意见12a：手术视频可按时间对象和空间对象进行简要标注，便于标签检索。（证据级别：高；推荐强度：弱推荐）推荐意见12b：时间对象指发生于时间点或时间段内的事件，推荐按照手术的时相、步骤、任务、动作分4个层次进行框架化标注。（证据级别：中；推荐强度：弱推荐）推荐意见12c：空间对象包含组织/解剖结构及器械，推荐从大体区域（如上下腹腔、盆腔、后腹膜等）、解剖类型（血管、胆管、神经、淋巴或肿瘤组织等）、局部区域（包含器官或局部解剖区域，如肝脏、胆囊、胃等，或Glisson蒂、胆囊三角、幽门下区等）、组织特征（如正常、水肿、渗出、转移等）4个维度进行系统化标注。（证据级别：中；推荐强度：弱推荐）手工标注（完全人工标注）和半自动标注（计算机辅助人工标注）均需人工审核确认，因而需确定操作主体。尽管SAGES视频标注共识意见中推荐进行视频标注的人员可包含临床医生、研究人员及数据工程师等，可一定程度上消除完全由临床医生标注产生的数据偏倚，但会降低准确性及可行性。考虑到在国内微创外科-AI交叉学科的发展初期，保证准确性要优先于优化数据偏倚，因而本共识推荐进行视频标注的主体为临床医生，可包含外科专家和外科医生（非专家）。两类人员可根据标注对象和研究目的不同，进行合理分工，例如对器械工具等简单对象可由外科医生进行标注，而对关键解剖区域的标注需由外科专家完成。另外，用于视频标注的软件可选用EISeg、Medi⁃calSegV2、Labelme、ITK-SNAP、CVAT、Labelbox、LabelIU、X-AnyLabeling、EndoNet、VGGImageAnnotator等开源工具［58］；或Polyphonic等集成化数字生态系统平台；也可采用内部开发的视频标注系统，但推荐满足以下条件：（1）支持修订标注内容。（2）支持键鼠便捷交互。（3）可兼容未来新型视频类型。（4）具备自定义或可编辑的标注模式。（5）支持数据整合，合并多人标注内容。（6）具有跨平台兼容性。（7）支持多格式导入或导出标注信息。（8）支持视频变速播放。（9）标注日志可溯源/开源。推荐意见13：为保证视频标签的准确性，推荐以临床医生为主体进行标注；为控制标注工作量，可选择半自动人工标注，但需注意由AI分割模型产生的数据偏倚。（证据级别：低；推荐强度：弱推荐）4保证适应AI/CV应用研究的腹腔镜/机器人手术视频库的行为规范生物样本库的建立和管理遵循国家标准（GB/T37864-2019《生物样本库质量和能力通用要求》，等同采用ISO20387：2018《生物样本库通用要求》国际标准），其规范性得到充分保障。然而，手术视频库学科的发展尚处于起步阶段，暂无明确国家标准制定。因而手术视频库建立更应重视伦理规范和机构监督，参考《面向人工智能的数据治理（DG4AI）实践指南》《新一代人工智能伦理规范》等文件，并根据数据生命周期概念，包含数据结构、采集、存储与共享、数据使用与探索以及数据治理在内的完整视频库研究设计需接受中心伦理委员会监督和管理。推荐意见14：为保障手术视频库可用于转化应用研究，腹腔镜/机器人手术视频的采集、使用、研究和治理应符合伦理规范。（证据级别：高；推荐强度：弱推荐）为保护病人隐私和手术视频的信息安全，视频库管理系统应实行“角色-用途-风险”三级管控机制。在遵循目的明确、病人利益优先、多方协作等原则的基础上，依据外科医生、研究人员、数据工程师等不同主体的职能与风险等级，动态分配数据访问权限及监管强度，并通过伦理委员会/机构审查委员会审核，实现权责匹配，确保数据共享符合学术使命与病人安全。核心原则为权限与角色绑定：外科医生可访问手术原始视频及关联临床信息，以进行脱敏、标注等建库处理；研究人员仅访问脱敏片段及匿名化数据，并需根据研究目的、用途等申请访问；数据工程师具备元数据管理权限，无权访问原始视频内容，可协调数据流动。外科医生的个人数据访问权服务于临床质量提升、视频标注及创新性研究，研究人员的受限访问保障科学创新不侵犯病人隐私，数据工程师的全流程管理权限成为“多方协作”的枢纽。外科医生作为直接责任主体接受机构级监管；研究人员以及数据管理者等外部主体接受政府及伦理委员会双重审查。推荐意见15：为兼顾手术视频库可复用性与隐私保护，推荐分离存储敏感隐私的体外图像（如面部、纹身、胎记、手术瘢痕等可识别具体身份的特征图像）和个人信息。（证据级别：低；推荐强度：强推荐）推荐意见16：为保障数据安全性、保护病人隐私，推荐对手术视频库设置访问权限，需根据研究目的和用途进行申请，经伦理审批后获取视频数据，同时保留访问记录，以防止数据滥用及隐私泄露。（证据级别：低；推荐强度：强推荐）跨中心数据共享是AI诊疗模型研发的关键，但传统中心化传输易泄露病人信息。区块链技术通过分布式账本和智能合约，可实现数据确权与加密共享［59］。例如，各中心可将哈希值上链，原始数据通过星际文件系统（InterPlanetaryfilesystem，IPFS）存储，仅授权方可通过密钥访问，既满足《信息安全技术健康医疗数据安全指南》与国家食品药品监督管理总局《临床试验数据管理工作技术指南》的匿名化要求，又能追踪数据使用轨迹，防止滥用。推荐意见17：针对跨中心共享数据（如用于AI模型训练与验证的多中心视频库数据），推荐采用去中心化的存储模式（如区块链）实现多中心之间数据的隐私保护与加密管理。（证据级别：高；推荐强度：强推荐）手术视频具有高敏感度、高价值性和高隐私性，其存储与共享需兼顾安全性、可用性和效率。手术视频数据量庞大，且涉及病人隐私，单一存储模式存在安全风险。本地存储可满足实时调阅需求，但易受硬件故障或灾难性事件影响；云端存储扩展性强，但需防范网络攻击。通过双向校验与加密机制［如高级加密标准（advancedencryptionstandard，AES）256位加密］，可确保数据在传输与静态存储中的脱敏安全，同时避免单点失效风险。例如，本地存储可作为热数据的快速访问节点，云端则提供异地容灾备份，两者协同既符合《信息安全技术健康医疗数据安全指南》《人工智能医疗器械质量要求和评价》第2、3部分（数据集通用要求，数据标注通用要求）的合规要求，又能提升数据治理效率，符合《面向人工智能的数据治理（DG4AI）实践指南1.0》提出的治理意见。手术视频中，陈旧数据（术后3年以上）或常见数据（常见病例手术视频）调用频率低，但需长期留存以供科研或纠纷溯源；而近期数据（如术中实时视频等）需高频访问。冷存储（如云端压缩归档）可降低存储成本，热存储［如本地固态硬盘（solidstatedrive，SSD）+云端缓存］保障高价值数据的低延迟访问。例如，通过智能生命周期管理策略，可减少冗余存储占用，同时避免因数据偏倚导致AI模型训练偏差。推荐意见18a：为保证数据安全与数据治理的便捷性，推荐以中心为单位对手术视频库采取本地-云端协同存储、互为备份的存储体系，该体系需设置云端加密机制与本地-云端双向校验机制，以保证双侧数据的脱敏安全、不易丢失、不可篡改。（证据级别：高；推荐强度：强推荐）推荐意见18b：结合本地-云端协同存储体系，为保证数据的低冗余、低偏倚、高效应用，推荐针对手术数据的生命周期采用冷存储与热存储结合的存储体系：对于冗余数据推荐进行云端压缩冷存储，对于高价值数据推荐进行云端与本地双环境热存储。（证据级别：高；推荐强度：强推荐）参考文献［1］王伟,张珂诚,白雪冬,等.人工智能在胃肠外科应用现状与展望［J］.中国实用外科杂志,2020,40(1):38-41.DOI:10.19538/j.cjps.issn1005-2208.2020.01.07.［2］DiamondIR，GrantRC，FeldmanBM，etal.Definingconsensus:AsystematicreviewrecommendsmethodologiccriteriaforreportingofDelphistudies［J］.JClinEpidemiol，2014，67（4）:401-409.DOI:10.1016/j.jclinepi.2013.12.002.［3］国家药品监督管理局.YY/T1833.2-2022人工智能医疗器械质量要求和评价第2部分：数据集通用要求［S］.北京:中国标准出版社，2022.［4］国家药品监督管理局.YY/T1833.3-2022人工智能医疗器械质量要求和评价第3部分：数据标注通用要求［S］.北京:中国标准出版社，2022.［5］中国信息通信研究院.面向人工智能的数据治理（DG4AI）实践指南1.0［R］.北京:中国信息通信研究院，2023.［6］国家新一代人工智能治理专业委员会.新一代人工智能伦理规范［S/OL］.(2021-09-25).https://www.most.gov.cn/kjbgz/202109/t20210926_177063.html.［7］CelentanoV，SmartN，McGrathJ，etal.LAP-VEGaSpracticeguidelinesforreportingofeducationalvideosinlaparoscopicsurgery:Ajointtrainersandtraineesconsensusstatement［J］.AnnSurg，2018，268（6）:920-926.DOI:10.1097/SLA.0000000000002725.［8］MeirelesOR，RosmanG，AltieriMS，etal.SAGESconsensusrecommendationsonanannotationframeworkforsurgicalvideo［J］.SurgEndosc，2021，35（9）:4918-4929.DOI:10.1007/s00464-021-08578-9.［9］FilicoriF，BitnerDP，FuchsHF，etal.SAGESvideoacquisitionframework-analysisofavailableORrecordingtechnologiesbytheSAGESAItaskforce［J］.SurgEndosc，2023，37（6）:4321-4327.DOI:10.1007/s00464-022-09825-3.［10］EckhoffJA，RosmanG，AltieriMS，etal.SAGESconsensusrecommendationsonsurgicalvideodatause，structure，andexploration(forresearchinartificialintelligence，clinicalqualityimprovement，andsurgicaleducation)［J］.SurgEndosc，2023，37（11）:8690-8707.DOI:10.1007/s00464-023-10288-3.［11］LuoH，XuG，LiC，etal.Real-timeartificialintelligencefordetectionofuppergastrointestinalcancerbyendoscopy:Amulticentre，case-control，diagnosticstudy［J］.LancetOncol，2019，20（12）:1645-1654.DOI:10.1016/S1470-2045(19)30637-0.［12］YuanXL，LiuW，LinYX，etal.Effectofanartificialintelligence-assistedsystemonendoscopicdiagnosisofsuperficialoesophagealsquamouscellcarcinomaandprecancerouslesions:Amulticentre，tandem，double-blind，randomisedcontrolledtrial［J］.LancetGastroenterolHepatol，2024，9（1）:34-44.DOI:10.1016/S2468-1253(23)00276-5.［13］WuL，ShangR，SharmaP，etal.Effectofadeeplearningbasedsystemonthemissrateofgastricneoplasmsduringuppergastrointestinalendoscopy:Asingle-centre，tandem，randomisedcontrolledtrial［J］.LancetGastroenterolHepatol，2021，6（9）:700-708.DOI:10.1016/S2468-1253(21)00216-8.［14］WangP，LiuP，GlissenJR，etal.Loweradenomamissrateofcomputer-aideddetection-assistedcolonoscopyvsroutinewhite-lightcolonoscopyinaprospectivetandemstudy［J］.Gastroenterology，2020，159（4）:1252-1261.DOI:10.1053/j.gastro.2020.06.023.［15］ChenM，ZhangB，TopatanaW，etal.ClassificationandmutationpredictionbasedonhistopathologyH&Eimagesinlivercancerusingdeeplearning［J］.NPJPrecisOncol，2020，4:14.DOI:10.1038/s41698-020-0120-3.［16］YangM，ZhaoY，LiC，etal.Multimodalintegrationofliquidbiopsyandradiologyforthenoninvasivediagnosisofgallbladdercancerandbenigndisorders［J］.CancerCell，2025，43（3）:398-412.DOI:10.1016/j.ccell.2025.02.011.［17］ChenH，GouL，FangZ，etal.Artificialintelligenceassistedreal-timerecognitionofintra-abdominalmetastasisduringlaparoscopicgastriccancersurgery［J］.NPJDigitMed，2025，8（1）:9.DOI:10.1038/s41746-024-01372-6.［18］HuC，XiaY，ZhengZ，etal.AI-basedlarge-scalescreeningofgastriccancerfromnoncontrastCTimaging［J］.NatMed，2025，31（9）:3011-3019.DOI:10.1038/s41591-025-03785-6.［19］VedulaSS，GhaziA，CollinsJW，etal.Artificialintelligencemethodsandartificialintelligence-enabledmetricsforsurgicaleducation:Amultidisciplinaryconsensus［J］.JAmCollSurg，2022，234（6）:1181-1192.DOI:10.1097/XCS.0000000000000190.［20］KitaguchiD，TakeshitaN，MatsuzakiH，etal.Developmentandvalidationofa3-dimensionalconvolutionalneuralnetworkforautomaticsurgicalskillassessmentbasedonspatiotemporalvideoanalysis［J］.JAMAnetworkopen，2021，4（8）:e2120786.DOI:10.1001/jamanetworkopen.2021.20786.［21］FazlollahiAM，BakhaidarM，AlsayeghA，etal.Effectofartificialintelligencetutoringvsexpertinstructiononlearningsimulatedsurgicalskillsamongmedicalstudents:Arandomizedclinicaltrial［J］.JAMAnetworkopen，2022，5（2）:e2149008.DOI:10.1001/jamanetworkopen.2021.49008.［22］NgPY，BingEG，CuevasA，etal.Virtualrealityandsurgicaloncology［J］.Ecancermedicalscience，2023，17:1525.DOI:10.3332/ecancer.2023.1525.［23］WuS，ChenZ，LiuR，etal.SurgSmart:Anartificialintelligentsystemforqualitycontrolinlaparoscopiccholecystectomy:Anobservationalstudy［J］.IntJSurg，2023，109（5）:1105-1114.DOI:10.1097/JS9.0000000000000329.［24］DongZ，CaiJ，GengH，etal.Image-baseddeeplearningmodeltopredictstoma-siteincisionalherniainpatientswithtemporaryileostomy:Aretrospectivestudy［J］.iScience，2024，27（11）:111235.DOI:10.1016/j.isci.2024.111235.［25］中国研究型医院学会放射学专业委员会，上海市医学会放射专科分会.3D可视化技术在肝胆外科中的临床应用专家共识（2022年版）［J］.肿瘤影像学，2023，32(1):89-100.DOI:10.19732/ki.2096-6210.2023.01.015.［26］ShiJ，CuiR，WangZ，etal.DeeplearningHRNetFCNforbloodvesselidentificationinlaparoscopicpancreaticsurgery［J］.NPJDigitMed，2025，8（1）:235.DOI:10.1038/s41746-025-01663-6.［27］ZengX，TaoH，DongY，etal.Impactofthree-dimensionalreconstructionvisualizationtechnologyonshort-termandlongtermoutcomesafterhepatectomyinpatientswithhepatocellularcarcinoma:Apropensity-score-matchedandinverseprobabilityoftreatment-weightedmulticenterstudy［J］.IntJSurg，2024，110（3）:1663-1676.DOI:10.1097/JS9.0000000000001047.［28］MadaniA，NamaziB，AltieriMS，etal.Artificialintelligenceforintraoperativeguidance:Usingsemanticsegmentationtoidentifysurgicalanatomyduringlaparoscopiccholecystectomy［J］.AnnSurg，2022，276（2）:363-369.DOI:10.1097/SLA.0000000000004594.［29］SaeidiH，OpfermannJD，KamM，etal.Autonomousroboticlaparoscopicsurgeryforintestinalanastomosis［J］.SciRobot，2022，7（62）:eabj2908.DOI:10.1126/scirobotics.abj2908.［30］ShademanA，DeckerRS，OpfermannJD，etal.Supervisedautonomousroboticsofttissuesurgery［J］.SciTranslMed，2016，8（337）:337ra64.DOI:10.1126/scitranslmed.aad9398.［31］BrianJW，ChenJT，HansenP，etal.SRT-H:Ahierarchicalframeworkforautonomoussurgeryvialanguage-conditionedimitationlearning［J］.SciRobot，2025，10（104）:eadt5254.DOI:10.1126/scirobotics.adt5254.［32］MogliaA，GeorgiouK，GeorgiouE，etal.Asystematicreviewonartificialintelligenceinrobot-assistedsurgery［J］.IntJSurg，2021，95:106151.DOI:10.1016/j.ijsu.2021.106151.［33］复旦大学，上海科学智能研究院.科学智能白皮书2025［EB/OL］.(2025-01-01)［2026-02-18］./collections/bfefgbacag.［34］MascagniP，AlapattD，SestiniL，etal.Computervisioninsurgery:Frompotentialtoclinicalvalue［J］.NPJDigitMed，2022，5（1）:163.DOI:10.1038/s41746-022-00707-5.［35］马闰卓，苟龙飞，余江，等.人工智能与手术动作识别：智能微创外科时代的手术技术评价新范式［J］.中华消化外科杂志，2025，24(4):480-486.DOI:10.3760/cma.j.cn115610-20250309-00093.［36］IsenseeF，JaegerPF，KohlSAA，etal.nnU-Net:Aselfconfiguringmethodfordeeplearning-basedbiomedicalimagesegmentation［J］.NatMethods，2021，18（2）:203-211.DOI:10.1038/s41592-020-01008-z.［37］MaJ,HeY,LiF,etal.Segmentanythinginmedicalimages［J］.NatCommun,2024,15(1):654.DOI:10.1038/s41467-024-44824-z.［38］NathV，YangD，etal.Vila-m3:Enhancingvision-languagemodelswithmedicalexpertknowledge［J/OL］.arXivpreprintarXiv:2411.12915.(2024-11-20).https://arxiv.org/abs/2411.12915.［39］ZhangJ，BudhdeoS，WilliamW，etal.Movingtowardsverticallyintegratedartificialintelligencedevelopment［J］.NPJDigitMed，2022，5（1）:143.DOI:10.1038/s41746-022-00690-x.［40］VaughtJ.Biobankingcomesofage:Thetransitiontobiospecimenscience［J］.AnnuRevPharmacolToxicol，2016，56:211-228.DOI:10.1146/annurev-pharmtox-010715-103246.［41］FerhatogluMF，KartalA，FilizAİ，etal.ComparisonofnewEra'seducationplatforms，youtube®andwebsurg®，insleevegastrectomy［J］.ObesSurg，2019，29（11）:3472-3477.DOI:10.1007/s11695-019-04008-x.［42］AceroN，HerreroE，FonchamJ，etal.Accuracy，quality，andmisinformationofyoutubeabortionproceduralvideos:Crosssectionalstudy［J］.JMedInternetRes，2024，26:e50099.DOI:10.2196/50099.［43］StauderR，KranzfelderM，etal.TheTUMLapCholedatasetfortheM2CAI2016workflowchallenge［J/OL］.arXivpreprintarXiv:1610.09278.(2016-10-31).https://arxiv.org/abs/1610.09278.［44］TwinandaAP，MarescauxJ，etal.Single-andmulti-taskarchitecturesforsurgicalworkflowchallengeatM2CAI2016［J/OL］.arXivpreprintarXiv:1610.08844.(2016-10-31).https://arxiv.org/abs/1610.08844.［45］GouL，WuH，ChenC，etal.DynamickeyvascularanatomydatasetforD2lymphnodedissectionduringlaparoscopicgastriccancersurgery［J］.SciData，2025，12（1）:903.DOI:10.1038/s41597-025-05255-7.［46］WilkinsonMD，DumontierM，AalbersbergIJ，etal.TheFAIRguidingprinciplesforscientificdatamanagementandstewardship［J］.SciData，2016，3:160018.DOI:10.1038/sdata.2016.18.［47］OfficeoftheSecretary,HHS.Administrativesimplification:adoptionofastandardforauniquehealthplanidentifier;additiontotheNationalProviderIdentifierrequirements;andachangetothecompliancedatefortheInternationalClassificationofDiseases,10thEdition(ICD-10-CMandICD-10-PCS)medicaldatacodesets:finalrule［J］.FedRegist,2012,77(172):54663-54720.PMID:22950146.［48］MillarJ.Theneedforagloballanguage-SNOMEDCTintroduction［J］.StudHealthTechnolInform,2016,225:683-685.DOI:10.3233/978-1-61499-658-3-683.［49］GibaudB，ForestierG，Feldmann