近日，天津大学医疗机器人与智能系统研究院在医学图像处理领域国际顶级期刊《IEEE Transactions on Medical Imaging》（IF=9.8）上发表题为“Domain Adaptive Multiple Instance Self-Training for Intraoperative Anomaly Detection”的研究论文。研究院2023级博士研究生陈子昂为第一作者，天津大学智算学部魏建国教授与重庆大学附属肿瘤医院主任医师易波为共同通讯作者，合作者包括天津大学副研究员赵建厂等，相关研究得到国家自然科学基金等项目的资助。

微创与机器人辅助手术正不断向智能化方向发展，术中安全感知逐渐成为保障手术质量与患者安全的关键基础。在真实手术过程中，出血、烟雾、视野遮挡等异常事件往往伴随着额外手术动作的决策，这类异常的识别主要依赖助手医生的持续视觉监控。随着手术机器人逐步从被动工具走向智能协作系统，如何在复杂、多变的手术场景中实现稳定、可靠的术中异常自动感知，为手术机器人操作的智能决策提供有效信息，成为保障人机协同与自主操作安全的关键问题。基于此，研究院远程医疗装备中心研究团队提出了一种面向术中异常检测的跨域弱监督学习框架 DA-MIST。该方法具有在弱标注条件下建模异常的本质特征，可有效应对不同手术中心与手术类型之间的显著差异，实现了对术中异常的稳健识别，为复杂手术环境中的智能感知与安全决策提供了新的技术路径。

在方法设计上，DA-MIST 以状态感知的时序建模为核心，结合事件层面与场景层面的解耦记忆机制，在仅依赖弱标注信息的条件下实现对复杂术中异常的稳定识别。整体训练采用两阶段策略：首先通过多实例学习获取基础异常表征，随后引入自训练机制逐步适配新的手术场景，从而提升模型在不同手术域之间的泛化能力。

DA-MIST 方法整体框架示意图

基于异常特征的领域不变性假设，研究通过引入事件记忆单元与场景记忆单元，将异常语义与场景风格进行有效分离，从而学习到跨域稳健的异常表征。在此基础上，模型采用“检索–读取（Retrieve–Read）”机制对关键原型特征进行动态增强。事件记忆单元聚焦正常与异常状态的共性模式，引导模型捕捉异常本质，场景记忆单元刻画不同手术中心与手术类型之间的域风格差异，在保持异常判别能力的同时有效抑制域相关干扰。该场景解耦的双记忆设计，构成了 DA-MIST实现跨域鲁棒异常感知的关键机制。

场景解耦的事件记忆单元及其检索–读取机制

为验证方法在真实手术场景中的有效性，研究团队在多个不同手术域上进行了定性对比分析。结果表明，仅采用第一阶段训练时，模型对异常的响应仍存在间断与遗漏。引入自训练与记忆解耦机制后，第二阶段模型在多个目标手术域中展现出更连续且稳定的异常检测能力，能够更准确地覆盖真实异常发生区间。团队进一步对模型的可解释性进行了分析。可视化结果显示，模型在异常发生时能够自适应聚焦于与异常相关的关键区域（如出血、烟雾及视野遮挡），同时在正常手术片段中保持较低的激活响应，有效减少误激活现象。

不同手术域中两阶段模型的异常检测结果对比

不同手术域中的异常激活区域可视化结果

总体而言，该研究提出了一种面向真实手术场景的跨域术中异常检测新范式，在弱标注条件下实现了检测性能、泛化能力与可解释性的协同提升，为手术机器人及智能辅助手术系统中的安全感知与风险预警提供了重要技术支撑。未来，该方法有望进一步应用于术中风险提示、人机协同控制以及智能手术系统的安全决策。

论文信息：Chen Z,Ding Y,et al. Domain Adaptive Multiple Instance Self-Training for Intraoperative Anomaly Detection.IEEE Transactions on Medical Imaging,DOI: 10.1109/TMI.2026.3654087.