人工智能(artificial intelligence，AI)技术已经渗透到各行各业，在某些方面甚至远远超越了人类，其在医学领域也有着广泛地应用，如医学影像、病理诊断、医疗机器人、健康管理和康复医疗等。小儿外科是一门较新的临床学科，常见疾病主要分为先天性畸形、实体肿瘤、炎症和创伤四大类。近年来AI在医疗领域的研究成为热点，在小儿外科疾病的诊断、治疗和预后方面也有了新的进展，本文就此做一综述并对AI在医疗领域的未来前景进行展望。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
1956年夏天，以约翰·麦卡锡为首的一群青年科学家在达特茅斯大学研讨会上正式提出了"人工智能"(artificial intelligence，AI)一词，标志着这门新兴学科的诞生。60多年来，AI的探索道路可谓跌宕起伏，前后经历了两次浪潮和两次低谷，如今得益于互联网、大数据、云计算等信息技术的发展，以深度学习为代表的AI技术飞速发展，在图像、语音、文字识别等方面甚至已赶超人类，还逐渐渗入到医疗、金融、法律等多种行业，人工智能已经迎来爆发式增长的第三次高潮[1]。小儿外科从二十世纪初开始成为一门独立的临床学科，儿童不是成人的缩影，应根据患儿的生理结构和病理学特点等方面来制定处理方案，其服务对象包括从围产期到18周岁的所有外科相关疾病的患儿，主要分为先天性畸形、实体肿瘤、炎症和创伤四大类疾病[2]。小儿外科的发展需要多学科共同合作，以提供更完善的医疗条件为儿童健康保驾护航。本文旨在汇总和分析目前人工智能技术在小儿外科的诊断、手术和术后方面的研究及应用，并对其未来在医疗领域的前景进行展望。
儿童疾病的辅助诊断方法包括超声、放射和病理诊断等方式，这些检查的结果主要以图像信息的形式储存。应用于医学图像分析的人工智能技术主要是深度学习(deep learning，DL)，属于机器学习中一个较新且重要的分支，DL是指对多样本数据进行一定的训练，最后得到多层深度神经网络模型的过程，分为监督学习和无监督学习。其中监督学习中的卷积神经网络(convolutional neural networks，CNNs)是目前影像学中的研究热点，这些概念的关系如图1[3,4]。
注：CNNs，卷积神经网络；RNNs，循环神经网络；AE，自动编码器；RBMs，限制玻尔兹曼机；DBNs，深度置信网络
超声诊断基于其实时成像、方便经济、无创无辐射等优点，是产前筛查和儿科疾病中首选的影像学检查方法。Namburete等[5]建立了可以预测胎儿年龄和神经发育成熟度的框架模式，准确的胎龄对产科很有价值，大脑发育的成熟度能提示患有遗传性疾病或发育畸形的可能性。胎儿智能导航超声心动图能够通过识别和选择胎儿心脏的关键解剖标志，来自动导航、校正标准平面以及智能标记可能有问题的部位，该技术已实现在传统超声仪器上运行[6]。小儿肾积水的早期诊断和治疗可防止肾脏发生永久性损伤，一种新的三维超声能够模拟肾积水的演变及识别肾盂内的脂肪组织，从而提供更客观、准确的肾脏改变情况[7]。发育性髋关节脱位的早期诊断常用超声评估，需要测量多个指标如α角、β角等，Quader等[8]用一种基于局部相位对称图像的自动测量方法，能够识别骨骼或软骨的几何特征，自动计算发育性髋关节脱位的指标，可减少临床医生诊断的主观性差异。除单纯图像分析外，还可将超声与其他检查指标相结合，对小儿外科疾病进行更全面的诊断分析，如人工神经网络联合血清学指标(β-hCG、PAPP-A等)和超声指标(包括胎儿颈项透明层厚度、头臀长度、鼻骨完整性等)，可有效诊断染色体异常的疾病，对测出有高风险的患儿再进行侵入性检查，该方法比现有的单一检查方式更具有优势[9]。
放射诊断包括X线、CT和磁共振成像(magnetic resonance imaging，MRI)等，具有比超声图像分辨率更高和应用范围更广等优势，不过儿童尚处于生长发育期，在检查时要更加注重安全、快速和准确。儿童创伤性脑损伤是小儿急诊的重要疾病，严重的头部损伤可能导致死亡和长期神经损伤。Chong等[10]通过机器学习以往患儿的受伤机制、临床表现、放射检查结果等，能够预测中重度脑损伤的情况，未来可能实现辅助急诊医生选择性使用CT检测和更好地监测受伤严重的患儿。England等[11]利用CNNs识别X线侧位片上儿童创伤性肘关节积液，许多情况下肘关节积液是非移位性骨折的一种征象，该方法可用于培训初学者及在实践中指导非放射科医生。胸壁创伤可导致气胸，严重时会威胁儿童生命，Cai等[12]开发了一种自动计算机辅助容积测量方案，用于测定儿童多层螺旋CT图像中气胸的体积，此方法的测量结果更加准确、客观。儿童脑肿瘤是继白血病后第二好发的癌症，近年来放射组学因其成能利用大量算法挖掘影像数据中的多层信息，成为肿瘤学的研究热点，Fetit等[13]利用三维纹理分析技术对MRI图像进行大数据多中心研究，结果表明该方法能对常见的儿童脑肿瘤进行分类诊断。另外，除影像图形的识别外，还可以用自然语言处理技术(natural language processing，NLP)对诊断报告的信息进行提取、标注和学习，进而更好的理解或使用标准诊断语言，Grundmeier等[14]运用NLP识别放射学报告的叙述性文档中关于儿童长骨骨折的信息，以改善儿童急诊诊断的质量，但该方法仅限于长骨且未定位具体位置，因此精确性需要提高。
除医学影像外，AI还应用于许多其他的诊断技术，如病理学检查、电子病历信息、特殊临床表现等。常规的术中病理学检查存在费时费力、易受干扰等不足，目前一种新型的拉曼光谱技术则无需固定染色，可直接对新鲜标本进行检测，还能结合机器学习，快速、自动化地对儿童脑肿瘤进行识别和分级，该方法有可能会成为未来术中诊断的替代方式[15]。先天性巨结肠一般通过直肠黏膜活检可诊断，Schilling等[16]通过深度学习训练计算机识别经免疫组织化学染色后的各种结构，灵敏度能够达到87.5%。除病理学诊断外，人工智能在许多临床诊断方面也有应用，一项大样本研究利用NLP技术对上百万儿童的电子病历记录进行相关信息的提取，并用Logistic回归分类器进行处理，能实现对儿科疾病的诊断预测，该框架系统可在协助分诊、鉴别诊断等方面提供帮助[17]。Porter等[18]通过自动分析咳嗽声音来诊断常见的儿童呼吸道疾病，采用类似于语音识别的方法来分析咳嗽和相关的声流，该技术的判断结果能够达到与专业儿科医生评审小组的判断结果一致，该研究有助于减少放射科医生对疾病的过度诊断，从而降低抗生素的滥用，还可应用于医疗资源匮乏地区和远程协助医疗。
人工智能在儿童疾病诊断方面的应用还存在许多挑战，如优质图像的获取问题，尤其是超声成像具有图像质量欠佳、高度依赖操作者等不足，对AI来说诊断具有一定的复杂性；智能图像及文本分析以监督学习为主，标注的好坏决定了诊断质量，手工标注不仅工作量大还需要标注者有较高的临床技能水平；常见疾病与罕见疾病的影像学资料数量差距大，数据不足容易导致过度拟合和性能下降。因此对人工智能团队来说，关键是要大量且全面地收集儿童疾病的检查图像、诊断文本、电子病历等，将其规范标注后转化为高效计算机语言来进行深度学习，这需要临床医生和AI工程师的共同努力。
随着时代的发展，治疗儿童疾病的手术技术及相应设备不断改善和发展，以更好的减少手术损伤和恢复正常的生理解剖功能。手术机器人是AI运用于临床辅助治疗的重要组成部分，其中以达芬奇外科手术辅助系统最为著名，其克服了传统腹腔镜二维视野不立体及活动度有限等不足。
以下介绍以达芬奇为主的机器人手术辅助系统在小儿外科领域的应用策略、现状和不足之处。
达芬奇外科手术辅助系统是一种内窥镜手术器械控制系统，由医生操作台、床旁机械臂和视频系统三部分组成，具有高清3D手术视野、15倍放大效果、仿真手腕器械及过滤震颤等多项优势，且学习曲线较传统腹腔镜短，在成人微创外科的运用已较为广泛[19]。机器人手术的推广应用在儿童手术中受到一定限制，但近年来得益于手术机器人在重建类手术中的优势，小儿外科领域的应用也逐渐增多[20]。达芬奇外科手术辅助系统最初是为成人设计的，常用"4孔法"、"5点法"等方法放置Trocar，一般包含1个8.5 mm或12 mm镜头的Trocar(置入3D内镜)及3个8 mm达芬奇专用Trocar(作为机械臂通道)，1个5 mm或12 mm的辅助孔，一般推荐机械臂Trocar与镜头孔的距离≥8 cm[21]。而传统腹腔镜用于小儿外科手术的镜头直径是8 mm，手术器械直径是3 mm，单从切口大小来说，机器人手术微创的效果不如传统腹腔镜手术，所以在实施手术前，医生需根据经验合理设计Trocar放置的位置，以减少创伤和方便操作，如采用隐蔽切口法同时将3 mm辅助孔置于脐与镜头孔中下1/3处以增加通道间的灵活性，在婴幼儿手术中推荐每个套管针需要至少间隔3 cm，镜头穿刺器应垂直插入以最大限度增加操作术野的距离等[22,23,24]。
从2001年Meininger等[25]首次报道了达芬奇系统应用于小儿胃底折叠术开始，机器人辅助手术在小儿外科领域经历了近20年的发展，如今国内外机器人辅助手术治疗已在儿童头颈、胸心、肝胆胃肠及泌尿等方面都取得了相应的研究进展及应用成果。
机器人无框架立体定向手术辅助系统(robotized stereotactic assistant，ROSA)应用于多种神经外科疾病，De Benedictis等[26]报道了在ROSA机器人辅助下对116例患儿进行的手术治疗，包括癫痫、脑肿瘤、脑积水等，手术总成功率达到97.7%。另一种新型的机器人系统(磁共振引导聚焦超声)提供了一种无切口治疗脑室出血的方法，该方法已在动物实验通过经颅介入手术得到验证，将来有望应用于新生儿[27]。经口机器人手术(transoral robotic surgery，TORS)在头颈部外科手术中的应用越来越广泛，有研究报道运用TORS治疗儿童声门狭窄、喉裂、腭裂、甲状舌管囊肿等疾病与比传统手术方法的创伤更小、复发率更低、效果更好，在儿童气道疾病的治疗中具有广阔的运用前景[28,29,30]。
运用达芬奇外科手术辅助系统行儿童心胸疾病方面的手术也有报道，如先天性膈肌异常、纵隔肿瘤、房间隔缺损、动脉导管未闭等，结果表明机器人辅助手术是可行和安全的[31,32,33]。另外在食管闭锁手术的治疗中因患儿胸腔可操作的空间十分狭小，Liu等[34]设计了一种带弯钳的智能手术机器人，可在内镜引导下在小空间内进行操作，Damian等[35]还研究了一种机器人植入物，能够将牵引力加到食管的两个断端上并诱导其生长连接，不仅能减少术后复查时X线检查的使用次数还能精确控制牵引力，但目前还未应用于临床。
谢钧韬等[36]报道了6例运用达芬奇外科手术辅助系统治疗儿童胆总管囊肿的手术，术后效果良好，且机器人手术在进行胆肠吻合时比传统腹腔镜手术更易操作、更为精细。Chen等[37]运用达芬奇外科手术辅助系统切除1例3岁肝母细胞瘤患儿的肝左内叶段并保留胆囊，术后未见严重并发症，且胆囊收缩功能良好。一篇关于机器人辅助下和传统腹腔镜下行儿童胃底折叠术的Meta分析显示，两者的安全性和有效性相当，但机器人辅助手术的时间更长、费用更高[38]。
机器人手术在儿童泌尿系统手术中的报道相对较多。最早应用于儿童泌尿外科的机器人手术是肾盂成形术，肾盂成形术目前有开放性手术、腹腔镜手术和机器人辅助手术等3种手术方式，Song等[39]对这3种手术方式进行比较，回顾性分析围手术期和远期的情况，发现这3种手术方式的成功率基本无差异，且接受机器人辅助手术的患儿住院时间更少、止痛药的服用量也减少。膀胱输尿管反流严重的患儿需行输尿管膀胱再植术，一项来自9个学术中心的260例患儿经机器人辅助下行输尿管膀胱再植术的报道表明手术并发症较低，成功率也接近于开放性手术[40]。Ahmed等[41]报道了5年内对16例脐尿管瘘患儿行机器人脐尿管切除术的情况，认为该方式是安全有效的。
机器人辅助系统能帮助外科医生提供更清晰的视野，更加灵活的操作，实现微创治疗。但目前在小儿外科的应用中仍存在一些不足：①机器人系统因设备及机械臂较大，不仅需要较大空间且切口也较大，限制了在小体积患儿中的应用；②术者使用达芬奇外科手术辅助系统因不直接接触手术部位，导致触觉反馈体系缺失，无法判断组织的韧度、血管搏动等性质，增加了手术的不确定性和风险；③机器需要设置对接，加上若操作医生的经验不足，手术时间会长于传统腹腔镜手术；④虽然机器人辅助系统缩短了学习曲线，但对于熟练的腹腔镜外科医生来说并没有额外的优势；⑤机器人设备价格昂贵，维护成本高，且需要配置专门的手术室和维护人员，医院、患儿及家属难以承受相应的费用，就目前来说不是最经济的选择；⑥关于机器人手术的可行性和安全性的研究，目前多是小病例数的报道，缺乏对比研究，还需更大量的研究和长期随访进一步验证[42,43,44]。但对于机器人系统在小儿外科领域的应用，不应只是单纯的拒绝或接受，应秉持客观的态度，新技术需要不断的改进、完善，才能使科技更好地为临床服务[44]。
远程医疗能够缓解儿科医生短缺和等待时间长的现状，Young等[45]对儿童术后随访数据进行统计分析，提出远程医疗能够减少患儿的等待时间，提高医生的工作效率，还同时具有较高的满意度和医疗质量。新生儿期患儿的手术风险较大，合理预测有利于正确认识疾病的术后风险，Cooper等[46]运用超级学习者算法(一种集成机器学习方法)建立了一种预测模型，预测新生儿术后30 d的病死率，该方法优于标准参数回归模型。创伤后应激障碍是创伤后出现的一种精神障碍，表现为严重的心理困扰和功能受损，Saxe等[47]利用机器学习算法收集受伤住院患儿的105项相关变量数据，并利用这些数据预测创伤后应激障碍发生的可能性，该方法有助于早期识别创伤后应激障碍，并对患儿进行预防性干预并提供指导帮助。
人工智能技术推动着医疗水平的进步，在儿童疾病的诊断、手术及术后预测及随访中有着广阔的应用前景，但目前尚处于起步阶段，还需要技术的不断积累和创新。许多医疗智能技术还处于研究阶段和反复改进的过程中，因为尚存在许多需要攻克的阻碍，如数据共享及安全、人工智能技术的透明性难以实现、临床试验阶段患儿的安全问题、AI导致不良事件后的责任等问题[48]。结合多学科的合作、团队的交叉学习、现有算法和仪器设备的改进，并组建专门的组委会来处理人工智能技术在实施过程中的问题，将有利于推动人工智能在小儿外科领域的快速发展。AI可以在简单、低风险、可重复和需要高效的工作中提供帮助，以缓解医疗环境负荷重、医疗资源分布不均的现状并提高诊治效率和水平。
所有作者均声明不存在利益冲突
