第 1 節 AI 手術導航與影像辨識：在刀鋒落下前劃出最佳安全邊界#

一、2012 年的分水嶺：深度學習降臨#

2012 年，AlexNet 在 ImageNet 影像辨識競賽中以驚人差距奪冠，宣告深度學習時代來臨。卷積神經網路（CNN）能從數百萬張影像中自動學出「特徵」，不需要人類逐一撰寫規則。這個技術地震在數年內波及外科：醫學影像——CT、MRI、超音波、內視鏡影片——本質上就是影像，正是 CNN 最擅長的疆域。外科史上第一次，「閱讀影像」這項核心技能出現了一個不知疲倦、見過百萬病例的機器學徒。

二、術前規劃：腫瘤邊界與血管避讓#

AI 對外科的第一波貢獻在術前。深部腫瘤（如肝癌、腦瘤、胰臟癌）與血管、膽管、神經的立體關係，傳統上靠醫師在腦中重構切片影像；CNN 與 U-Net 類分割網路可在數秒內完成三維分割：腫瘤的確切輪廓、每一條待保留血管的走向、模擬切除後的剩餘功能（如殘餘肝體積 \(V_{rem}\) 是否足夠避免術後肝衰竭）。在刀鋒落下之前，安全邊界已在電腦中劃定，甚至可以模擬多種切除方案、優化選擇。這將第十二章的導航推進一步：導航提供「我在哪裡」，AI 再回答「我該往哪裡去」。

三、手術影片的即時辨識#

第二波革命來自手術室內的影片。手術錄影累積了海量資料，AI 從中學會了三件事：

階段辨識（phase recognition）：判斷手術此刻處於哪個步驟（膽囊切除的「剝離 Calot 三角」「夾閉膽囊管」「切除」等），可用於自動記錄、教學回放與手術進度監控。
安全清單監測：AI 可確認器械清點、關鍵步驟是否依安全程序執行——把 WHO 手術安全清單從「靠人記憶」升級為「系統強制提醒」。
即時解剖構造警示：內視鏡 AI 已能即時標出膽管、血管與神經位置，在誤傷發生前示警。研究顯示，AI 在手術影片中辨識關鍵解剖構造的能力，已接近甚至超越資深醫師的即時判讀。

四、擴增實境導航與風險預測#

第三波是將 AI 辨識結果疊回現實：擴增實境（AR）導航把分割出的腫瘤與血管投影到手術顯微鏡或 AR 眼鏡的視野中，醫師「透視」般看見皮膚底下的結構。術後，機器學習風險模型則整合病歷、檢驗與手術變數，預測併發症、再入院與死亡風險，讓加護照護與追蹤資源投向最需要的病人——AI 從術前延伸到術後，覆蓋外科照護全週期。

五、偏誤、資料治理與責任：制度的三道難題#

技術的陰影同樣清晰。其一，演算法偏誤：訓練資料若以特定人群為主，模型對其他人種、性別或罕見病情的表現可能顯著變差——被訓練資料「遺忘」的病人，最可能被 AI 誤導。其二，資料治理：手術影片與病歷是最敏感的個人資料，其共享、去識別化、跨境流動與產權（醫院？病人？科技公司？）皆無共識；資料不流通則 AI 學不夠，流通則隱私堪慮。其三，醫師責任：當 AI 建議與醫師判斷衝突時，聽誰的？若照 AI 走而出事，責任在誰？現行制度傾向「AI 是輔助工具、醫師負最終責任」，延續了 da Vinci「機器是工具」的定位；但當模型成為「黑箱」，醫師簽署的是自己無法完全理解的判斷，責任的哲學基礎正在被掏空。技術愈強大，制度補課愈急迫。

因果鏈條#

AlexNet（2012）開啟深度學習革命 → 醫學影像成為 CNN 的理想訓練場 → 術前三維分割與切除模擬劃定安全邊界 → 手術影片資料累積催生階段辨識與安全清單監測 → AR 將辨識結果疊加回手術視野形成即時導航 → 風險模型延伸至術後照護 → 演算法偏誤與資料治理難題浮現 → 「AI 是工具、醫師負責」的制度框架遭遇黑箱化的挑戰，責任界定成為下一階段的核心戰場。