腔镜 AI 怎么判断「在体内」还是「在体外」：97.55% 的准确率是怎么测出来的
最近半年，手术室项目的需求文件里开始出现一类新条款：腔镜插入时自动开始录制、拔出时自动停止，全程不需要人工按键。写这条要求的采购人，通常也会同时问一句——判断准不准？
厂商给出的回答往往是一个百分数，比如 97.55%。但一个孤立的准确率数字，几乎无法回答设备科和信息科真正关心的问题：它在我们的手术间里会不会误停？会不会录了一堆空画面？这个数字是怎么测出来的、能不能复现？这篇文章就拆这件事。
一、先把这个任务定义清楚：它不是「识别手术」，而是一次二分类
很多讨论一上来就跑偏，是因为把「腔镜 AI」想象成了理解手术过程的东西。实际落地在录制联动上的那部分能力，任务边界要窄得多：给模型一帧腔镜画面，输出一个标签——画面里的镜头是在体腔内，还是在体外。
输入的到底是什么
输入是腔镜摄像系统输出的一帧图像，不是整段视频，也不含患者信息。输出只有两类，属于典型的二分类。这个定义决定了三件事：模型很轻（本机的腔镜识别推理约 5ms/帧，跑在 3TOPS 的边缘算力上）、不需要联网、不接触任何病历数据。
也正因为任务窄，它才能在手术室里离线跑：推理在设备本地完成，画面不出手术间，这对信息科来说是比准确率更前置的一条要求。
五个真正决定体验的边界场景
干净的体外画面和清晰的体腔内画面，区分起来并不难。难的是两者之间的过渡段，以及画面质量下降的时候。现场常见的五类情况：
- 插入与拔出的瞬间：镜头一半在鞘内、一半在体腔，画面可能同时具备两侧特征。
- 镜头贴壁或抵住组织：画面变成一片红色或粉色，与体外某些背景的纹理接近。
- 出血与烟雾：能见度下降，画面信息量骤减，模型可依据的特征变少。
- 纱布、缝线、标本袋遮挡：画面里出现大面积白色织物，容易被误认为体外。
- 镜头起雾或血污附着：整幅画面模糊，边缘与纹理特征被削弱。
一份只报总体准确率的评测，通常不会告诉你这五类场景各自的表现。而手术室里出问题的，恰恰是这几段。
二、97.55% 这个数字，由四个变量共同决定
「准确率」在机器学习里是一个有明确定义的量：判对的样本数除以总样本数。但这个定义里，有四个变量是可以被选择的，选择不同，同一个模型能报出很不一样的结果。
| 变量 | 不同取值会带来什么 | 读者该问的问题 |
|---|---|---|
| 测试集来源 | 用公开数据集、用厂商自采素材、用医院真实手术录像，难度依次上升 | 测试素材是自采的，还是来自真实手术间的完整录像？ |
| 类别定义 | 「体外」是否包含镜鞘内、体表、标本台等过渡画面，边界越模糊越难判 | 过渡段算体内还是体外？怎么标注的？ |
| 样本结构 | 体内帧与体外帧的比例会直接改变总体准确率的含义 | 测试集里两侧样本大致是什么比例？ |
| 统计口径 | 总体准确率、体内召回率、体外误报率，三个数可能相差很多 | 能否分别给体内与体外的召回率？ |
举个具体的算法：如果测试集里体外帧占多数，而模型倾向于把模糊画面判成体外，那么总体准确率依然会很好看，但手术中真正需要录下来的体内片段反而会被漏掉。这就是为什么单独一个 97.55%，无法直接换算成「在我们的手术间好不好用」。
两个方向的误判，代价并不对等
这是验收时容易被忽略的一点。把体内判成体外、把体外判成体内，后果完全不同：
| 误判方向 | 现场表现 | 后果 |
|---|---|---|
| 体内判成体外 | 录制中途停止，过一会儿又重新开始 | 关键片段缺失，事后无法补录，属于不可逆损失 |
| 体外判成体内 | 该停的时候没停，文件被拉长 | 多占存储、检索变慢，内容本身不丢 |
两个方向的代价不对称，因此判断一套系统好不好用，看的不是总体准确率，而是「体内片段的召回率」加上「单位时间内的误启停次数」。前者决定你会不会丢东西，后者决定这套自动化会不会烦人。
三、从「识别」到「自动录制」，中间还隔着一层工程逻辑
还有一个常被混淆的点：单帧推理 5ms，不等于系统响应 5ms。真实的自动启停，是一条带确认机制的链路，而不是「这一帧判成体内就立刻开录」。
按 30fps 计算，每帧间隔约 33.3ms。如果只看单帧，97.55% 的准确率意味着每 1000 帧里约有 24 帧判错——1000 帧在 30fps 下约 33 秒。也就是说，如果没有任何时序处理，一套系统平均每半分钟就有一次误判机会，录制会被反复打断又重启，这样的自动化没人愿意用。
所以工程上必须加一层时序确认：
| 环节 | 作用 | 可调参数与代价 |
|---|---|---|
| 单帧分类 | 给出当前帧的体内/体外判断 | 模型本身；约 5ms/帧，几乎不占时间 |
| 连续帧确认 | 要求连续多帧一致才改变状态，滤掉瞬时误判 | 窗口长度；取 5 帧时确认延迟约 167ms，窗口越长越稳、响应越慢 |
| 状态机与回滞 | 维持「记录中 / 待机」两个状态，避免在边界反复启停 | 回滞与超时设置；决定短时遮挡会不会中断录制 |
| 触发与打点 | 启动或停止录制，写入时间戳 | 与手术档案关联；决定事后能不能定位到具体片段 |
这四层里，真正影响使用者感受的是第二层和第三层——它们决定了「插入后多久开始录」和「短暂遮挡会不会断」。百毫秒级的确认延迟，医生在操作上没有感知；但如果窗口取得太短、回滞做得不够，一场手术里被切成十几段文件，事后检索的成本就会上去。
这也是为什么这类能力适合放在设备端做：确认逻辑、状态机和录制触发都在同一台机器里，不需要跨系统传递状态，也不会因为网络抖动影响判断。H.264/H.265 录制、30 分钟自动分片、U 盘与 SSD 双盘同录，与这套状态机是同一条链路的两端。
四、验收时怎么自己测：三个可复现的动作
厂商的测试集说明不了本院的情况，但医院完全可以自己复现一次评测。不需要算法团队，一台设备加一段历史录像就够。
- 用本院历史录像做回放测试。挑 5—10 例覆盖不同专科的完整录像，其中要有出血、烟雾、纱布遮挡、镜头反复进出这几种情况。把信号接进设备，看它自动切分的片段边界落在哪里，和人工标记的插入/拔出时刻差多少。
- 数误动作次数，而不是只看准确率。按一台设备连续 8 小时工作计算，记录「不该停却停了」和「不该录却录了」各发生几次。这两个数字直接对应使用体验，比任何百分数都好沟通，也方便写进验收单。
- 核对时间戳能不能对上手术档案。关键事件带时间戳输出、与手术档案关联，是这类能力的主要价值。把导出的文件与手术记录逐条对一遍，看能不能在几分钟内定位到指定片段——对不上，说明打点逻辑还没打通。
顺带说一句需求文件的写法。与其写「腔镜识别准确率不低于 95%」，不如写成可执行的条件：以本院 30 例历史录像回放为准，单台设备连续 8 小时运行中，非预期停止录制次数不超过 N 次；体内片段召回率不低于 X%；关键事件时间戳与手术记录的时间偏差不超过 Y 秒。这样写，投标方才需要拿真实素材来证明，而不是只报一个数字。
顺带一提，今天行业动态里有一条 4K3D 摄像系统的招标，单套预算报到 310 万元（见行业动态）。成像端升级之后，画面细节更多、颜色更真实，对识别类模型通常是好事——但测试集也要跟着换，用 1080P 素材训出来的模型，放到 4K 画面上的表现需要重新验证，这一点在设备换代时经常被漏掉。
结语
把 97.55% 这个数字拆开看，它其实是一句话的缩写：在某个测试集、某种类别定义、某种样本结构下，模型判对了 97.55% 的帧。这句话对厂商是完整的，对采购人是不完整的。
要补上的部分，是「误判往哪个方向偏」和「确认机制怎么设计」。前者决定会不会丢关键片段，后者决定这套自动化在日常手术里能不能被接受。这两件事都可以在验收阶段用本院素材测出来，成本不高，但能把很多后续争议提前挡掉。
LYang GS300 把腔镜场景识别放在设备本地：ARM 8 核 CPU 与 3TOPS 边缘算力，5ms 级单帧推理，配合连续帧确认与状态机完成自动启停，识别结果与录制文件、时间戳一起留在手术间内，不上传到任何外部服务。想了解这套链路与既有摄像系统、示教系统的对接方式，可以看技术对比页，或直接在产品中心查完整参数。
关于LYang：LYang专注数字化手术室一体化解决方案，核心产品 LYang GS300 矩阵编码一体机将矩阵、编码器、解码器、多画面处理器、AI 推理引擎、控制主机集成于一台设备，100% 全国产芯片，3TOPS AI 算力，10 分钟完成示教推车升级，1 天完成手术室数字化改造，成本较传统方案直降 60% 以上。官网：www.shuzhouvip.com