手术教学聚焦于手术操作技能训练、临床决策能力培养以及围手术期管理的知识传授，通过理论教学、模拟训练和临床实践相结合的方式，培养具备精准操作能力与复杂病例处理能力的外科医师
[1]。近年来，人工智能（artificial intelligence，AI）已被广泛应用于医疗领域及教育领域，随着人工智能技术的突破性发展——特别是机器学习、深度学习及自然语言处理等技术的成熟，人工智能正通过智能手术模拟系统、实时操作反馈机制和个性化学习路径规划等创新形式深度融入外科教学体系
[2-4]。尽管已有研究证实人工智能可显著提升外科教学效率并突破传统培训的时空限制
[5]，但针对该领域研究脉络的系统性梳理仍显不足。文献计量学通过量化分析文献产出规律、知识关联网络及主题演化路径，为揭示学科发展态势提供方法论支撑
[6]。本研究借助VOSviewer
[7]与CiteSpace
[8]工具，对全球手术教学人工智能应用研究进行可视化分析，旨在解构其知识图谱，识别研究前沿，为智慧外科教育体系的优化提供依据。
1 数据与方法
1.1 数据来源
本研究以中国期刊全文数据库（CNKI）和科学引文数据库（web of science，WoS）核心合集作为数据来源。中文文献检索条件为搜索全文检索词“手术教学”或“外科教学”或“手术教育”或“外科教育”，和主题词“人工智能”。英文文献检索条件为搜索全文字段“Surgical Education”和主题词“Artificial Intelligence”。检索日期为2025年5月7日，设定出版时间为出现该类研究起至2024年12月31日，筛选发表语言为中文或英文的文献。排除与本次研究不相关或内容不完整的文献，排除学位论文及重复发表的文献。
检索得到CNKI文献139篇、WoS文献483篇，利用NoteExpress（v4.1.0.10030）软件将文献记录删除重复项且进一步筛选不相关的文献，将筛选后的中英文文献记录分别导出。经筛选后CNKI中文文献93篇、WoS英文文献310篇。
1.2 研究方法
本研究采用文献计量学方法，运用CiteSpace软件（6.4.R1）、VOSviewer软件（1.6.20），将纳入的文献汇总分析，分析内容包括国内外相关研究的年度发文量、关键词和国际研究的发文国家、研究机构等核心数据，其中对国际研究的关键词进行共现分析、突现分析、聚类分析，并绘制可视化图谱。通过定量与可视化相结合的方法，系统剖析AI在手术教学领域的研究热点、技术转化路径及未来潜在突破方向，为智能化外科教育体系的构建提供数据驱动的决策依据。
2 结果
2.1 发文量统计
在出现该类研究起至2024年12月31日，国际上人工智能在手术教学领域应用文献发文量在近年来呈爆发式上升，在2024年国际上发表124篇相关文献。我国在该领域的研究发展较为缓慢，2024年国内发表26篇相关文献。人工智能在手术教学领域应用的相关文献年度发文量变化如
图1所示。
2.2 研究国家统计
以WoS文献记录进行分析，在该领域发表此类研究论文数量排名前3的国家，分别是美国（140篇）、中国（75篇）、日本（38篇），美国保持着领先的地位，而中国虽然位居第二，与美国之间仍存在显著的差距。
2.3 研究机构统计
利用WoS文献记录以“机构”为节点进行统计，国外发表论文最多的前5个机构分别是哈佛大学（29篇）、麦吉尔大学（20篇）、南加州大学（19篇）、伦敦大学（18篇）、加利福尼亚大学（18篇）。中国发表相关论文最多的机构分别是北京大学（12篇）、中国科学院（6篇）、上海交通大学（6篇）。各机构合作关系如
图2所示。
2.4 国际研究关键词分析
2.4.1 聚类分析
在WoS文献记录中，共提取关键词343个，按出现频次统计排名前20的关键词为高频关键词（如
表1所示）。其中，“人工智能（artificial intelligence）”为本研究检索词出现频次最高的关键词（270次），其次为“机器学习（machine learning）”（69次）、“深度学习（deep learning）”（43次）。通过CiteSpace软件对关键词进行聚类，发现人工智能在手术教学领域应用关键词可聚类为10类，具体研究方向包括结直肠肿瘤（colorectal neoplasms）、数字病理学（digital pathology）、虚拟现实（virtual reality）、手术技能（surgical skills）、人工智能（artificial intelligence）、前列腺切除术（prostatectomy）、深度学习（deep learning）、颅内外动脉搭桥手术（ec-ic bypass）、机器人手术（robotic surgery）、吲哚菁绿（indocyanine green），聚类分析结果如
图3所示。
2.4.2 共现分析
利用CiteSpace软件对WoS文献记录中的关键词进行共现分析，结果如
图4所示，关键词时间路线图用于描述聚类后关键词的时间线，每个聚类对应的水平线长度代表了该聚类的跨度。人工智能在手术教学领域应用的相关文献于1994年首次发表，相关文献的发文量自2018年起开始显著增长，各种研究主题在近五年内纷纷涌现。
#0是结直肠肿瘤（colorectal neoplasms）。其中，主要的关键词与疾病的治疗方法、病情变化、转归相关，有“生存（survival）”“复发（recurrence）”“手术切除（surgery resection）”“胃癌（gastric cancer）”“风险（risk）”等。
#1是数字病理学（digital pathology）。在早期即有“人工智能（artificial intelligence）”的相关研究并成为当前研究热点，“教育（education）”“癌症（cancer）”“预测（prediction）”等在近几年逐渐热门。
#2虚拟现实（virtual reality）中较多地关注“分类（classification）”“表现（performance）”“解剖学（anatomy）”等，是目前模拟医学教学研究中的焦点。
#3手术技能（surgical skills）中关注了“混合现实（mixed reality）”“增强现实（augmented reality）”这些“技术（technology）”，通过“模拟（simulation）”来提高操作的“准确性（accuracy）”和熟练程度。
#4人工智能（artificial intelligence）是本研究的检索词，相关热点聚焦在了“计算机断层扫描（computed tomography）”，并对“未来（future）”的相关研究提出设想。
#5前列腺切除术（prostatectomy），其中讨论了“大数据（big data）”“验证（validation）”“质量（quality）”等相关内容。
#6深度学习（deep learning）中有“系统（system）”“卷积神经网络（convolutional neural network）”等关键词，可通过各种技术手段对“功效（efficacy）”进行推算。
#7颅内外动脉搭桥手术（ec-ic bypass）较多地关注了“技术能力（technical skills）”的训练和提升。
#8机器人手术（robotic surgery）是近几年出现的研究热点，关键词有“援助（aid）”“手术教育（surgical education）”“健康（health）”。
#9吲哚菁绿（indocyanine green）是一种荧光染料，帮助外科医师在手术中进行精确的“诊断（diagnosis）”和操作
[9]，还关注了“管理（management）”“年龄（age）”等关键词。
2.4.3 突现分析
利用CiteSpace进一步进行高频关键词的突现分析。如
图5所示，国际上关于人工智能在手术教学研究领域应用的文献在近五年逐渐涌现并日益增多。热点关键词“系统（system）”最早出现，是2016 — 2020年的研究焦点。2018 — 2022年COVID-19流行，出现研究热点“大数据（big data）”，加强了对数据的分析。2021年出现研究热点“卷积神经网络（convolutional neural network）”并保持热度至今。近二年来“计算机视觉（computer vision）”“神经网络（neural network）”“有效性（validity）”成为当前的研究焦点，人工智能在手术教学领域应用的研究，从分析逐渐转变为了实际应用和验证。
2.5 国内研究关键词分析
在知网文献记录中，共提取关键词135个，其中“人工智能”出现频次最高（52次）、其次为“机器人”（14次）、“医学教育”（12次）。通过CiteSpace软件对关键词进行聚类，发现国内相关研究中关键词可聚类为7类，具体研究方向包括有“机器人”“手术”“教学”“医学教育”“大数据”“扩展现实”“新政策”，国内研究关键词聚类分析结果如
图6所示。
3 讨论
3.1 全球研究进展及国内外研究主题的差异
全球人工智能手术教学研究领域的年度发文量总体呈上升趋势。2018 — 2024年，研究活跃度显著提升，这反映研究者对人工智能在手术教学领域应用的持续关注与深入探索，在国际上人工智能在医学教育领域的应用逐渐规范
[10]，随着人工智能技术进步和教学改革的不断推进，发文量预计将进一步增加。在国际文献发表方面，美国仍占据显著主导地位，而中国虽以英文文献发文量位居全球第二，但与美国的领先水平相较仍存在明显差距，考虑归因于多重因素：国内相关研究起步较晚，中国机构与国际顶尖机构合作薄弱，人工智能技术在临床和医学教学应用普及度有限，临床教学资源分配中对手术智能化训练的投入不足。国务院《关于加快医学教育创新发展的指导意见》（国办发〔2020〕34号）
[11]提出建立“医学+X”交叉融合平台，重点支持医工结合项目，推动高校联合科研机构攻关智能医学技术，未来可依托北京大学、中国科学院、上海交通大学等具有显著学术引领作用的机构，构建跨机构、跨学科的协同平台，加强合作，推进人工智能在医学教学领域创新研究与应用的推广和落地。
对比国际（10类）和国内（7类）关键词聚类结果，国际研究主题更广泛，研究的主题覆盖具体的手术方法练习
[12]、数字病理技术
[13]、深度学习
[14]、计算机视觉
[15]等多学科多技术的研究，且更偏向技术与临床应用结合，如研究的验证
[16]、具体手术方法和疾病管理等。而国内的研究主题相对宏观，如“机器人”
[17-18]、“手术”、“医学教育”、“扩展现实”
[19]、“新政策”
[11]等，国内研究已获得政策层面的有力支持，然而仍缺乏深入的研究。扩展现实在国内相关研究已成热点，作为综合性技术，其在手术教学应用中的潜力及可能的发展路径备受关注，可以借鉴国际上其他国家在具体技术与临床教学相结合方面的经验，推动人工智能在手术教学领域的应用。
3.2 研究热点变化
人工智能在手术教学研究领域的应用，最初通过将患者信息系统与人工智能相连接来分析病情
[20]。随着技术的不断进步，互联网、物联网的普及以及云计算的兴起，数据量呈现爆发式增长。医疗数据量的增长，使得医学教学中的信息数据变得更加丰富多样，这些数据不仅包括患者的病历、手术记录、影像资料等，还涵盖学员在手术模拟器上的操作数据、在线学习行为数据等，为个性化教学和精准教学提供了可能
[21]，特别是在COVID-19疫情防控期间，对“大数据”应用的强力推动，使得医学教学的信息数据得以应用于学员的远程教学和模拟教学。随着技术的进一步发展，人工智能手术教学研究逐步转向更复杂的人工智能模型及其验证，深度学习和神经网络等技术被用于开发更智能的评估、验证的工具。随着技术演进，积极响应临床需求，如腹腔镜结直肠手术和淋巴管静脉吻合术中荧光染料“吲哚菁绿”的人工智能识别技术
[22-23]、人工智能技术结合增强现实技术训练高精度手术“前列腺切除术”
[24]等聚类，均体现了人工智能技术与特定术式难点的深度结合。随着人工智能技术的持续进步，手术教学有望实现更高水平的智能化、个性化和高效化，为培养优秀医学人才提供更加强有力的支持。
3.3 人工智能在手术教学中的应用热点
3.3.1 机器学习与神经网络
机器学习是人工智能的核心分支，通过算法从数据中学习规律并构建模型，实现对未知情况的预测，为构建智能系统提供方法论基础
[25]。神经网络作为机器学习的重要实现形式，由多层互联的人工神经元组成，通过调整神经元间的连接权重实现复杂模式识别。其中，深度学习特指基于深层神经网络（隐藏层≥3）的算法，能够自动提取数据的多层次抽象特征。在医疗领域，基于深度学习的人工智能系统可整合患者临床资料、手术相关记录、实验室检测数据及医学文献等多源信息，辅助医生进行临床决策（如手术方案优化）并预测术后转归（如并发症风险、生存率）
[26]。有团队研究通过采集眼科斜视手术视频，将其分割成多个步骤片段，采用卷积神经网络结合下文的计算机视觉技术提取单帧图片静态信息，开发出深度学习模型
[27]，通过识别手术步骤并实时提醒下一步操作等方式减少手术失误，可用于辅助斜视手术规范化培训，该技术未来还可进一步开发应用到其他手术方式的规范化培训系统。由于对患者临床数据进行利用和分析存在隐私泄露风险，目前已有《中华人民共和国网络安全法》《中华人民共和国数据安全法》等相关法规对信息数据安全予以保护，不过仍需强化数据安全保障，对人工智能参与临床诊疗建立相关的安全标准，并规范医学伦理。
3.3.2 扩展现实
扩展现实（extended reality，XR）涵盖虚拟现实（virtual reality，VR）、增强现实（augmented reality，AR）和混合现实（mixed reality，MR）等多种技术，近年来，凭借其独特的沉浸式与交互性特征，这项技术积极应用于医学模拟教学，模拟教学可以在保证学员安全并且不危及患者安全的前提下有效促进临床学习，使得学生能够全面了解人体的解剖、提高操作的熟练程度。在普通外科手术教学领域模拟器最常用于腹腔镜手术培训
[28]，骨科常用于膝关节镜和髋关节镜
[29]等的训练，现逐渐应用于神经外科
[30]、口腔科
[31]等。学员通过模拟不同的手术场景，积累更多应对复杂情况的经验，还可以结合模拟器中虚拟患者的反馈数据，对学员的操作进行评估，帮助学员不断优化操作技能。这种方式打破了传统教学在时间和空间上的限制，让学员能更灵活地安排学习时间，提高学习效率。 国内已形成“扩展现实”的研究热点，积极运用该技术并在国内外发文
[32]，但设备的引进成本相对较高，目前仍难以在众多基层医学教学机构普及。国内相关机构可积极开展研究，降低成本并推动其广泛应用。
3.3.3 计算机视觉
计算机视觉是指用摄影机和电脑代替人眼，对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，可以对目标进行识别、跟踪和测量，广泛应用于医疗。数字病理学是通过使用数字扫描仪获取数字切片，并将图像储存、分析、共享
[33]，关键技术是全玻片成像技术（whole slide imaging），与人工智能结合辅助临床诊断
[34]，在教学方面，通过对玻片的可视化和共享，所有学生可随时观看相同的玻片，还可进行注释并与相关的临床数据关联，以便为学生提供临床学习的整体和标准的视图
[35]，解决了传统教学方式下教学质量难统一、教学效果不理想的问题。随着研究的深入，人工智能技术（如卷积神经网络等）可以在手术照片、视频中提取、追踪信息
[36]，提高手术视频质量
[37]，用于辅助临床腹腔镜手术
[23,37]、淋巴管相关手术
[22]等的操作。可借助人工智能技术对手术情况以及医生的手术技能进行评估分析
[38]，提升手术医师操作的精准度。然而，随着该技术的广泛普及，需防范医师对技术产生依赖的风险。同时，应出台相关标准和政策，明确人工智能辅助决策的责任，以此保障临床医疗安全。
3.3.4 吲哚菁绿荧光成像技术
吲哚菁绿是一种近红外荧光造影剂，近年来在人工智能辅助诊疗和手术教学领域展现出显著价值。通过计算机辅助联合吲哚菁绿分子荧光成像技术，三维可视化实现肝脏解剖结构的精准建模，结合吲哚菁绿荧光成像在分子、细胞水平对肿瘤边界、肝段划分、转移灶及胆道系统进行实时显影，显著提升术前规划与术中导航的精准性
[39]。在教学实践中，吲哚菁绿荧光成像技术通过解剖结构可视化教学、三维重建与模拟训练、在术中观察操作细节实时反馈、并进行术后复盘，可为培养新一代外科和其他学科手术医师提供重要工具
[40]。吲哚菁绿与人工智能的结合显著提升了手术的精准性和效率
[22-23]，而其在手术教学中的应用有效缩短了学习曲线，上述应用为这一技术的推广提供了坚实依据，未来随着技术进步，其应用前景将更加广阔。
4 结论
人工智能在手术教学领域应用相关文献发文量在近年呈爆发式增长，美国在该领域研究领先，中国发文量位居第二。国际上研究热点学科分布广泛但研究深入具体应用，如人工智能技术（深度学习、神经网络）、医学影像与诊断技术（数字病理学、荧光染料吲哚菁绿、计算机视觉）、手术相关技术与应用（结直肠肿瘤、前列腺切除术、颅内外动脉搭桥手术、机器人手术、手术技能）、虚拟现实与模拟教学等；国内研究热点较为宏观，如“机器人”“手术”“医学教育”“扩展现实”“新政策”等。传统的医学教学结合人工智能前沿技术，通过模拟手术场景、提供实时反馈和相关医学资料、优化教学内容和智能评估手术技能，提升教学效果的同时降低教学成本和风险。当前挑战集中于医疗数据隐私保护、基层技术普及成本较高及人工智能辅助诊疗的责任框架缺失。未来可依托北京大学、中国科学院、上海交通大学等具有显著学术引领作用的机构构建跨学科平台，衔接“医学+ X”政策红利，完善政策以保障医疗安全，加速技术在教学应用中的转化，对人工智能教学工具转化的效能加以验证，不断完善课程体系。
本研究的文献计量分析存在一定局限性，数据来源为中国期刊全文数据库和科学引文数据库，可能遗漏非英语和中文的文献，导致研究热点呈现存在偏差；关键词分析基于历史发表数据，对2025年后新兴技术趋势预测能力有限。未来的研究可以通过扩大数据源对研究热点进行分析，以推进医学教学研究领域人工智能技术的普及和应用，评估教学工具的实际价值，为我国完善课程体系和建立相关的安全标准提供支撑。
2023年度广东省临床教学基地教学改革项目“家庭探访计划在医学生全科教育实践中的先试先行”（159）
京公网安备11010202008535号
PDF
(3956KB)
