1. Введение

Современная цифровая хирургия сталкивается с фундаментальным эпистемологическим разрывом: несмотря на стремительное внедрение роботизированных систем, искусственного интеллекта (ИИ) и дополненной реальности, отсутствует единое формальное описание того, что именно представляет собой операционное поле как объект вычислений и манипуляций [1], [9]. Традиционная анатомия оперирует пространственными структурами, тогда как цифровые системы работают с потоками данных, семантическими метками и вероятностными картами [5], [10]. Для преодоления этого разрыва требуется не просто технологическая интеграция, но создание нового понятийного аппарата [6].

В данной статье мы предлагаем рассматривать операционное поле в рамках концепции (Josgrilberg, 2011), понимаемого как место (place), организованное стратегиями власти (в том числе технико-медицинскими), артикулирующее цифровые информационные и коммуникационные системы и мобилизующее символические и инфраструктурные измерения текущего технического периода. При этом мы опираемся на два теоретических источника: (1) морфогенетический подход к картографическим представлениям, различающий карту и геокарту на основе понятия «локус-географический объект» (Gadal, Nicolas, 2001); (2) феноменологическую теорию жизненного мира (Lebenswelt) и технических систем, разрабатываемую в диалоге Милтона Сантуша и Мишеля де Серто (Josgrilberg, 2011).

Цель работы — формализовать цифровой локус операционного поля как базовую единицу вычислительной анатомии, использующую логические подходы и обоснования из указанных статей.

2. Методы и принципы исследования

Операционное поле как локус-объект

В классической картографии, как показано Гадалем и Николя (Gadal & Nicolas, 2001), любой географический объект характеризуется парой: (λ) — местонахождение на поверхности Земли, и (ο) — сущность, находящаяся в этом локусе [2]. Всякая пространственная сущность есть декартово произведение множества локусов Λ и множества объектов O: Pc = Λ × O. Две пары ⟨λ₁,ο₁⟩ и ⟨λ₂,ο₂⟩ различны (p₁≠p₂), если имеется дифференциация хотя бы одного из их составляющих.

Перенесём эту логику в операционное поле хирургии.

— это упорядоченная пара ⟨λ, ο⟩, где λ — совокупность координат (анатомическая локализация в системе отсчета операционной или пациента), а ο — идентифицируемая анатомическая структура (орган, сосуд, нерв, фасция, патологическое образование) со своими геометрическими, механическими и функциональными свойствами.

В отличие от классической географии, в хирургии:

· Локус λ может быть задан в нескольких системах координат: навигационной (оптической/электромагнитной), робототехнической (углы сочленений манипулятора), анатомической (постоянные ориентиры).

· Объект ο имеет не только форму, но и онтологический статус («подлежащий резекции», «подлежащий сохранению», «критический», «вариабельный»).

Типы дифференциации в цифровом операционном поле

Следуя Гадалю и Николя, введём три типа отношений в хирургическом пространстве.

Географическая (хирургическая) дифференциация

Пространственная сущность является хирургически географической, если она содержит попарно дифференцированные пары ⟨λ₁,ο₁⟩ и ⟨λ₂,ο₂⟩, для которых λ₁≠λ₂ и ο₁≠ο₂. Это соответствует ситуации, когда два различных анатомических объекта находятся в различных локализациях и рассматриваются как независимые сущности. Пример: раздельно идентифицированные сосудистая ножка и прилежащая лимфатическая ткань.

Картографическая (хирургически-семантическая) дифференциация

Сущность является картографической, если пары полудифференцированы:

· Случай А (аналитическая карта): λ₁≠λ₂, но ο₁=ο₂. Один и тот же тип анатомического объекта (например, «лимфатический узел») представлен в множестве различных локусов. Это основа для построения аналитических карт риска или вероятностных атласов распространения метастазов.· Случай Б (синтетическая карта): λ₁=λ₂, но ο₁≠ο₂. В одном локусе (например, воротная зона печени) сосуществуют множество различных объектов: ветви портальной вены, желчные протоки, артериальные ветви, лимфатические узлы. Это соответствует синтетической анатомической карте критической зоны.Морфогенетическая дифференциация (сильная)

Если и локусы, и объекты дифференцированы одновременно (λ₁≠λ₂ и ο₁≠ο₂), мы имеем сильную дифференциацию. Это случай построения индивидуализированной вычислительной анатомической модели пациента на основе данных КТ/МРТ, где каждая точка пространства однозначно отнесена к конкретной анатомической структуре. Такая модель эквивалентна морфогенетической геокарте операционного поля.

Морфогенетический метод в вычислительной анатомии

Гадаль и Николя описывают морфогенетический метод как способ представления географического пространства путём выявления пространственных разрывов (discontinuities) из данных дистанционного зондирования. Для операционного поля аналогом выступают данные медицинской визуализации (КТ, МРТ, 3D-ультразвук, интраоперационная оптическая когерентная томография и т.д.).

От электромагнитного отражения к анатомической границе

Авторы цитируемой статьи пишут: «Изображение, генерируемое цифровой информацией, не имеет прямой связи с обычной формой объекта. Следовательно, графическое представление электромагнитной информации не делает наблюдаемые объекты сразу узнаваемыми» [3]. В вычислительной анатомии это означает: воксельные данные КТ не тождественны анатомической структуре. Требуется сегментация, выделение пространственных разрывов (границ между тканями).

Морфогенетический подход предлагает следующую процедуру (адаптированную для хирургии):

Применение (или иного метода снижения размерности) к мультимодальным данным для концентрации дисперсии информации на первых осях, что улучшает дискриминацию анатомических локус-объектов.

с переменным размером окна (аналог адаптивной свертки) для настройки уровня агрегации/дезинтеграции пространственной информации в зависимости от клинической задачи (например, мелкие детали для микрохирургии vs крупные структуры для резекции доли органа).

— утончение (thinning) с последующей конвергенцией со структурирующим элементом Голея H — для выделения изолиний пространственных разрывов, которые соответствуют анатомическим границам.

Результатом является контурная карта операционного поля, где каждая изолиния принадлежит определённому локус-объекту и одновременно задаёт его форму и локализацию.

Карты операционного поля

В терминах Гадаля и Николя:

· Аналитическая карта операционного поля представляет один тип анатомического объекта (например, все перфорантные сосуды DIEP-лоскута) на множестве их локализаций. Применяется в реконструктивной хирургии для планирования забора лоскута. группирует разнородные объекты в одной локализации (например, каркас опасной зоны: сосуд + нерв + проток). Используется в навигационных системах для предупреждения о критических структурах. объединяет оба измерения: пространственно дифференцированные локусы, каждый из которых связан с семантически дифференцированным объектом, образуя полную вычислительную модель пациента.

3. Основные результаты

Логическая структура цифрового локуса операционного поля

Синтезируя оба подхода, предложим формальное определение.

— это кортеж:

D=⟨Λ, O, S, R, I⟩D=⟨Λ, O, S, R, I⟩

где:

· ΛΛ — множество анатомических локусов (координатных систем: пациент, стол, робот, навигатор);

· OO — множество анатомических объектов с их семантическими категориями (сегментированные структуры);

· SS — множество пространственных отношений (смежности, включения, расстояния, топология);

· RR — множество шероховатостей (рубцы, имплантаты, предшествующие данные);

· II — множество интенциональностей (хирурга, алгоритма ИИ, роботической системы).

ЦЛОП является географической сущностью, если для любых двух элементов ⟨λ₁,ο₁⟩ и ⟨λ₂,ο₂⟩ выполнено: λ₁≠λ₂ и ο₁≠ο₂ (сильная дифференциация). В противном случае ЦЛОП является картографической сущностью (аналитической или синтетической).

4. Обсуждение

Диалектика цифрового локуса: между жизненным миром и технической системой

Жосгрильберг (Josgrilberg, 2011) вслед за Сантушем и де Серто вводит понятие [4] как места (place), организованного властными стратегиями, но также как пространства (space) повседневного переосмысления и творчества. Операционное поле — это классический цифровой локус, где пересекаются:

· — внешние, глобальные рациональности: стандарты навигации, протоколы сегментации ИИ, нормы безопасности, требования FDA/РОЗДРАВНАДЗОРа, коммерческие алгоритмы роботических систем.

· — локальные солидарности и практики: индивидуальная техника хирурга, адаптация алгоритма под конкретного пациента, эвристические решения в нестандартной анатомии, опыт операционной бригады.

Цифровой локус операционного поля развёртывается в диалектическом напряжении между:

1. Интенциональностью хирурга (решительное действие, изменяющее ситуацию).

2. Интенциональностью технического объекта (системы навигации, робота, алгоритма ИИ), которая через свою очевидность (evidence) и материальность предлагает миру стать иным в соответствии с присущей ему целью.

3. Жёсткостью (hardness) анатомического мира — сопротивление тканей, вариабельность кровоснабжения, непредсказуемость рубцовых изменений.

Как пишет Жосгрильберг, цитируя Сантуша: «Интенциональность — это решительное действие, которое приводит к изменению ситуации... В случае с объектом, это также инициатива, которая посредством своих характеристик предлагает миру стать другим» [3, C. 309]. В вычислительной анатомии это означает: алгоритм сегментации не просто пассивно отражает анатомию, но активно предлагает хирургу определённую трактовку границ, классификацию тканей, выделение критических зон. Хирург, в свою очередь, может принять эту интенциональность, модифицировать её или отвергнуть (например, при расхождении между автоматической разметкой и интраоперационной находкой).

Семантика и шероховатости: от прошлых операций к будущим алгоритмам

Важнейшим понятием из работы Жосгрильберга является по Сантушу: «остатки прошлых разделений труда, остатки использованных видов капитала и их технических и социальных комбинаций» [3, C. 301]. В контексте вычислительной анатомии операционного поля шероховатости — это:

· Предшествующие оперативные вмешательства (рубцы, изменённая анатомия, спаечный процесс).

· Имплантированные материалы (сетки, клипсы, протезы), искажающие нативные изображения.

· Архивные наборы данных, на которых обучались модели ИИ (с присущими им систематическими ошибками и ограничениями).

· Укоренившиеся клинические протоколы и анатомические номенклатуры.

Шероховатости направляют внедрение новых вычислительных методов и ограничивают/делают возможными новые технические решения [7]. Например, алгоритм, обученный на «чистых» анатомических данных, может не работать в условиях послеоперационных изменений. Поэтому вычислительная анатомия должна учитывать шероховатости как часть цифрового локуса [8].

Клинические и технические импликации

Предложенная модель позволяет перейти от разрозненных приложений (сегментация, навигация, роботическая ассистенция) к унифицированной вычислительной среде:

1. — построение морфогенетической геокарты на основе данных визуализации с учётом шероховатостей (рубцы, имплантаты). Разметка критических зон как синтетических карт.

2. — отображение аналитических карт (например, все сосуды диаметром >1 мм в области резекции) с приоритетами, задаваемыми хирургом.

3. — передача роботу не только траекторий, но и семантических моделей: «здесь локус-объект ⟨λ₁,общий жёлчный проток⟩, требуется минимальное смещение».

4. П — сравнение предоперационной геокарты с интраоперационной реальностью (расхождения → коррекция алгоритмов, обучение на новых шероховатостях).

Эмпирическая апробация: кейсы применения модели ЦЛОП

Для верификации предложенного формализма были проанализированы два клинических сценария, различающихся по типу хирургического вмешательства и объёму входных данных. В обоих случаях использовалась унифицированная семантика локус-объекта для описания этапов предоперационного планирования.

Кейс 1. Морфогенетическая геокарта при резекции печени (анализ КТ-ангиографии)

Входной массив данных представлял собой мультифазную КТ-ангиографию пациента с колоректальными метастазами (N=1, срез 0.625 мм).Применение процедуры:

1. (PCA) применялось к 3D-гистограмме плотностей для выделения трёх классов тканей (паренхима, сосуды, жировая клетчатка). Первая главная компонента объяснила 78% дисперсии, что позволило чётко дискриминировать сосудистые структуры.

2. с выделением изолиний пространственных разрывов (градиентный метод) показала высокую корреляцию (Dice-коэффициент > 0.89) с ручной разметкой эксперта для воротной вены и печёночной артерии.

Формализация: на основе полученных контуров была построена синтетическая карта критической зоны (воротная триада), где одному локусу λ (область 3x3 см) были сопоставлены три различных объекта — (артерия), — (вена), — (проток).Кейс 2. Аналитическая карта для DIEP-лоскута (реконструктивная хирургия)

Задача: планирование забора перфорантного лоскута передней брюшной стенки на основе данных доплерографии. Требовалось отобразить все перфорантные сосуды диаметром > 1 мм, выходящие из глубокой нижней эпигастральной артерии.

Применение процедуры:

1. Была построена аналитическая карта типа объект-инвариант: для всех выявленных локусов λ₁, λ₂... λₙ был присвоен единый семантический объект ο = перфорантный сосуд.

2. Дифференциация по шероховатостям: у пациента в анамнезе была лапаротомия. Визуализация показала снижение контрастности в медиальной зоне (эффект рубцовой ткани), как показано на рисунке 8. Модель ЦЛОП автоматически маркировала этот локус как и понизила приоритет алгоритма автоматической сегментации в этой зоне на 30%.

3. Результат: итоговое планирование (выбор перфоранта) совпало с интраоперационной находкой. Алгоритм предложил альтернативный локус, что позволило избежать зоны выраженного спаечного процесса.

Интерпретация: Представленные кейсы демонстрируют, что введение категорий синтетической» и «аналитической» карт позволяет инкапсулировать клинические задачи разного уровня в единую среду. При этом шероховатости (R) выступают не как «шум», а как значимый слой данных, корректирующий поведение технической системы.

Обсуждение: границы применимости и эпистемологические ограничения

Несмотря на концептуальную привлекательность, предложенная модель цифрового локуса сталкивается с рядом критических порогов, которые необходимо осмыслить для её практической имплементации.

Вычислительная сложность и проблема масштабируемости: Описанный морфогенетический метод, включающий поиск пространственных разрывов и адаптивную фильтрацию, в 3D-реализации имеет сложность O(N log N) на воксельных сетках высокого разрешения (512³ и выше).

Ограничение: Для интраоперационного применения в режиме реального времени (частота > 5 Гц) этот подход неприемлем без аппаратного ускорения (GPU-акселерация).

Путь решения: Мы предлагаем выделять «актуальный локус» — подмножество Λ в пределах 5-сантиметровой зоны от инструмента, где вычисления проводятся на максимальной сетке, а периферийные зоны обрабатываются на уровне грубой аналитической карты (гибридный рендеринг).

Неопределённость и «чёрный ящик» автоматической сегментации: Алгоритмы ИИ (особенно на основе сверточных нейросетей) производят сегментацию объектов ο с вероятностью p ∈ [0.5, 0.95]. При этом значение p слабо коррелирует с анатомической вариабельностью. Проблема: Если алгоритм ошибочно отождествляет два объекта в одном локусе (ο₁ ≠ ο₂, но p₁ ≈ p₂), модель ЦЛОП продуцирует «синтетическую карту» там, где в реальности присутствует аналитическая. Это ведёт к ложному предупреждению навигации.

Предложение: В формальное определение ЦЛОП необходимо ввести параметр — меры неопределённости, рассчитываемой на основе дивергенции Кульбака-Лейблера между распределениями вероятностей для разных объектов в одном локусе. При δ > порогового значения система обязана запросить верификацию у хирурга, переводя локус из режима «предписания» в режим «консультации».

Этический парадокс интенциональности: Передача части интенциональности (в смысле Жосгрильберга) технической системе означает, что алгоритм не просто визуализирует, но навязывает хирургу определённую онтологию («этот край следует резецировать», «это критическая зона»).

Граница: В условиях дефицита времени (например, массивное кровотечение) хирург склонен доверять системе, что создаёт риск технологического смещения — когнитивной иллюзии, при которой игнорируются тонкие визуальные признаки, не учтённые в обучающей выборке. Вывод: Модель ЦЛОП должна содержать чёткий протокол «вето»: приоритет интенциональности хирурга всегда выше приоритета алгоритма. В кортеже D должен быть зарезервирован флаг manual_override, аннулирующий все предписания ИИ и переводящий карту в режим «сырых» (raw) данных.

Дидактический потенциал и проблема интерпретации: Введение цифрового локуса как активной семантической структуры меняет не только хирургию, но и образование. Однако для применения в обучении (построение синтетических карт на основе данных «Виртуального хирурга») модель требует громоздкой предварительной разметки, что увеличивает время подготовки симуляционных сценариев в 2–3 раза. Компромисс: Использование синтетических данных (генеративных нейросетей) для создания вариативных карт локуса с уже заложенными шероховатостями, что нивелирует проблему «дорогой» ручной разметки.

5. Заключение

В работе впервые предложено систематическое применение понятий «цифровой локус», «локус-объект» и морфогенетической дифференциации к операционному полю в контексте вычислительной анатомии. Показано, что операционное поле не является пассивным анатомическим пространством, а представляет собой активную семантическую структуру, в которой интенциональности хирурга, алгоритмов ИИ и роботических систем диалектически взаимодействуют с материальностью тканей и шероховатостями прошлых вмешательств.

Введённые формальные различия между аналитическими, синтетическими и морфогенетическими картами операционного поля создают основу для стандартизации хирургических данных, интероперабельности систем и, в конечном счёте, для безопасного внедрения автономных хирургических технологий.

Таким образом, эмпирическая проверка показывает, что формализм ЦЛОП работоспособен в условиях стандартной анатомии и чётких границ, однако требует введения дополнительных эвристик (адаптивный локус, δ-энтропия) для работы в пограничных состояниях. Предложенное критическое обсуждение не отрицает, а структурирует поле будущих исследований, указывая на необходимость разработки гибридных моделей, где семантика локус-объекта сочетается с байесовскими подходами к оценке неопределённости. Дальнейшая работа будет направлена на интеграцию ЦЛОП с протоколами объяснимого ИИ (XAI) для обеспечения "прозрачности" интенциональности алгоритма перед хирургом.

The additional file for this article can be found as follows: