简介：摘要目的探索深度学习技术识别喉返神经（recurrent laryngeal nerve，RLN）在经胸乳入路腔镜甲状腺手术（endoscopic thyroidectomy，ETE）中的应用价值。方法收集2020年2月至2021年8月北京协和医院基本外科进行的经胸乳入路ETE视频。经2名甲状腺医师的筛选后，符合条件的手术视频根据一位高年资医师的意见分为低辨识度及高辨识度组，经过抽帧、标注、审核与校对后，按照随机数方法以5:1的比例分为训练集及测试集，统一输送至D-Linknet模型进行训练。根据交并比计算测试集中的灵敏度、精确率及平均Dice系数。结果46个视频共153 520帧图片纳入了本研究。其中训练集共39个视频131 039帧，测试集共计7个视频22 481帧。交并比阈值为0.1及0.5时，高辨识度组中灵敏度及精确率分别为92.9%/72.8%及85.8%/67.2%，而在低辨识度组中则分别为47.6%/54.9%及37.6%/43.5%，平均Dice系数在两组中分别为0.781及0.663，证实了该模型对RLN具有较好的识别能力。结论基于深度学习的人工智能RLN识别在经胸乳入路ETE视频中可行，有可能帮助外科医生降低手术中误损伤风险，提高手术安全性。

简介：摘要目的喉返神经（recurrent laryngeal nerve，RLN）是腔镜甲状腺手术中需重点识别和保护的结构。本研究旨在探索深度学习技术识别RLN在经腋窝入路腔镜甲状腺手术中的应用价值。方法收集2020年7月1日至2021年5月1日在北京协和医院基本外科操作的，留存了完整视频资料的经腋窝入路腔镜甲状腺手术录像。两位资深甲状腺外科医师选取其中包含RLN的视频片段，经过训练的标注人员对RLN的轮廓进行描绘标注，并经两位甲状腺外科医师审校确认。视频资料用随机数方法按照5∶1的比例分为训练集及测试集，并根据RLN与周围组织的辨识度分为高、中、低辨识度。采用基于PSPNet的语义分割模型进行训练，使用ResNet50作为主干网络提取特征，同时结合金字塔池化模型融合多尺度特征，最终根据交并比（insertion over union, IOU）评判深度学习神经网络对RLN具体位置预测的能力。所有资料使用R 4.0.2版本分析。结果共38个视频中累计35 501帧图像纳入本研究，其中32个视频共29 704帧图像作为训练集，6个视频共5 797帧图像作为测试集。当IOU阈值设为0.1时，模型在高、中、低辨识度组中的灵敏度和精确率分别达到了100.0%/92.1%、95.8%/80.2%及81.0%/80.6%。而当IOU阈值提高到0.5时（代表有效定位RLN），灵敏度和精确率则分别为92.6%/85.3%、71.7%/60.5%及38.1%/37.9%。这说明本模型在辨识度中高时可很好地提示RLN的位置和走行。漏检通常因目标过小、边界不明确所致。结论基于深度学习的人工智能RLN识别在腔镜甲状腺手术视频中是可行的，有潜在的应用价值，有可能帮助外科医生降低手术中误损伤风险，提高手术安全性。

简介：摘要目的总结原发性甲状旁腺功能亢进症（primary hyperparathyroidism, PHPT）患者接受腔镜甲状旁腺切除术的临床资料及经验。方法回顾性纳入2021年2月至2022年5月北京协和医院基本外科因PHPT接受腔镜甲状旁腺切除术共24例患者的临床资料，其中20例为经腋窝入路，4例为经胸乳入路，观察手术时间、术后引流量、住院时间，术前术后甲状旁腺激素与血清钙的差异，并随访术后的并发症与复发情况。应用R 3.7.0软件进行分析。计量资料以平均数±标准差（±s）表示，使用配对t检验对术前、术后的资料进行检验及分析。计数资料则采用独立样本χ2检验。结果术后血清甲状旁腺激素和血清钙水平均降低至术前的50%水平以下（P<0.05）。经腋窝手术时间为（96±22）min，范围为64~157 min，经胸乳手术因例数过少未纳入手术时间统计。术后引流量分别为第1天（47±16）ml、第2天（46±11）ml、第3天（30±9）ml。术后住院时间为（2.8±1.1）d，范围为2~6 d。有1例经腋窝入路手术因病变位置过低而中转开放手术，其他病例均在腔镜下完成，获得了满意的治疗效果。所有病例未出现术后出血、永久性声音嘶哑、饮水呛咳、术区感染等并发症。随访时间为（7.4±4.2）个月，范围为1~16个月，随访期间患者均无明显不适，未见复发。结论腔镜甲状旁腺切除术在PHPT的治疗中安全有效，可作为有美容要求患者手术术式的一种选择。