• 外科数据科学的四大核心任务与闭环生态：论文系统梳理了外科数据科学（SDS）的四个关键研究方向：手术工作流与阶段识别、手术技能评估、术中增强现实（AR）和手术具身智能。四者并非孤立存在，而是共同构成一个由术中感知、过程理解、能力评估到智能辅助决策逐级递进的闭环生态体系，为智能化手术提供整体方法论框架。

• 当前AI范式的“算力墙”瓶颈：尽管基础模型（foundation models）显著推动了SDS相关任务的性能上限，但其高度依赖超大参数规模和密集计算，带来了不可忽视的高延迟与高能耗问题。这一“算力墙”与手术场景中实时响应与低功耗部署的刚性需求存在根本性矛盾，已成为制约手术AI临床落地的关键瓶颈。

• 类脑计算是突破时效瓶颈的关键路径：论文指出，受人脑神经系统稀疏连接与事件驱动机制启发的类脑计算，为破解上述瓶颈提供了本质不同的技术范式。尤其是脉冲神经网络（SNN），通过稀疏脉冲编码与加法驱动计算，在保证表达能力的同时显著降低计算冗余，可在能效比与推理延迟上相较传统人工神经网络（artificial neural network, ANN）实现数量级提升，是构建实时、可部署手术AI系统的关键候选方案。

• 从感知到决策的全栈类脑化展望：类脑计算并非仅适用于低层视觉感知任务（如手术场景分割），而是有潜力贯穿长时序手术视频理解、术中增强现实渲染以及机器人感知—决策—执行闭环，可实现对动态手术环境的快速响应，为下一代低延迟、高可靠性的术中AR系统与手术机器人智能控制奠定基础。

然而，SDS的进一步发展正面临日益突出的计算范式瓶颈。随着人工智能迈入以基础模型为代表的“大模型时代”，规模扩展在显著提升感知与理解能力的同时，也带来了急剧增长的计算复杂度与能源消耗。这一以“算力换性能”为核心的缩放路径，与手术场景所固有的强时效性与强资源约束形成了根本冲突：在术中环境中，毫秒级延迟可能直接影响临床决策甚至引发严重风险，而手术系统在体积、功耗与散热条件上的物理限制，又使得依赖大规模GPU集群的解决方案难以落地。

因此，如何在一个算力受限、对时延高度敏感的时效关键（time-critical）环境中，实现高可靠性、高智能水平的AI辅助决策，已成为制约SDS从算法研究走向临床应用的核心痛点。基于这一现实需求，本综述跳出传统深度学习缩放定律（scaling laws）所主导的发展路径，系统探讨以类脑计算为代表的新型计算范式，试图为面向真实手术场景的下一代外科智能系统提供一条更具可持续性与工程可行性的技术路线。

在此基础上，文章进一步分析了当前主流技术路线所面临的共性瓶颈。尽管以Transformer和视觉基础模型为代表的方法在多项SDS任务中持续刷新性能上限，但其依赖大规模参数与高维注意力机制，导致计算复杂度与能耗随模型规模呈指数级增长。这一特性使其在高度依赖实时交互的术中场景中难以满足极短延迟的安全与工程要求，从而在临床落地层面暴露出明显的可持续性问题。

针对上述困境，论文的核心部分系统探讨了类脑计算作为替代性计算范式的潜在价值。通过对人工神经网络（ANN）与脉冲神经网络（SNN）在信息表示与计算机制上的对比分析（图2），文章指出，SNN以离散二值脉冲（spike）为信息载体，采用加法驱动的事件计算模式，有效规避了传统ANN中代价高昂的乘累加运算（MAC），从计算结构上具备天然的稀疏性、低功耗与事件驱动优势，更契合手术场景对时效性与能效的双重约束。本综述进一步结合定量实验结果验证了上述判断。

此外，文章还系统回顾了神经形态硬件的发展现状，包括 IBM NorthPole、Tianjic（天机芯）等代表性系统，指出计算存储融合、脉冲驱动执行与异构类脑架构的逐步成熟，正在为SDS从算法层面的类脑建模走向系统级部署提供坚实的物理基础。作者据此认为，算法与硬件的协同演进，使“外科数据科学的类脑化转型”正从概念探索阶段迈向具备现实可行性的技术路径。

图2. ANN与SNN在时间关键手术任务中的概念与效率对比图（直观对比了传统深度学习模型与脉冲神经网络在计算范式、能耗、推理速度上的差异，突出类脑计算在实时性与能效方面的优势。）

围绕这一判断，本文对外科数据科学的未来发展方向进行了系统展望：

1. 算法层面：当前脉冲神经网络（SNN）在复杂手术视频的长时序建模、多模态信息融合以及稳定训练方面仍存在显著提升空间。未来研究亟需发展更加鲁棒、高效的脉冲学习算法，并探索从大规模人工神经网络或基础模型向SNN迁移的无损或低损转换机制，以充分继承既有模型的表达能力，同时释放类脑计算在能效与时延上的优势。

2. 硬件层面：随着神经形态芯片在架构设计、软件栈和接口规范上的逐步标准化，以及制造工艺和量产能力的持续成熟，类脑硬件正从实验原型走向工程可用阶段。未来，手术机器人、内窥镜系统及相关智能医疗设备有望集成专用的类脑处理单元，在端侧实现低功耗、低延迟的实时智能处理，显著降低对外部算力基础设施的依赖。

3. 临床应用层面：类脑视觉传感器（如事件相机）与SNN模型的深度融合，为解决传统帧式视觉在高速运动、强动态范围及复杂光照条件下的感知瓶颈提供了全新可能。在高速器械跟踪（如磨钻、切割工具）、微小结构动态感知以及高对比度术野成像等关键应用场景中，该类系统有望展现出传统视觉方案难以企及的实时性与鲁棒性优势。

综上所述，通过将生物神经系统所体现的高效信息处理机制，与手术场景对实时性、安全性与能效的严苛要求深度结合，类脑计算有望打破当前“性能—能耗”之间的结构性对立，推动外科人工智能从以往的离线分析与术后评估，真正迈向术中实时感知、理解与智能辅助决策的新阶段。

点击阅读原文查看论文全文