外科医生离手术世界模型还有多远？首次提出SurgVeo基准，揭示AI生成手术视频的惊人差距
近年来，视频生成领域的基石模型展现出作为潜在“世界模型”模拟物理世界的惊人能力。谷歌的Veo等模型已经能够生成逼真的日常场景视频，让我们仿佛看到了通用物理世界模拟器的雏形。
然而，当这些技术被应用于外科手术这样高风险、需要深度专业知识的领域时，其表现如何？这是一个至关重要却尚未被深入探索的问题。
通用世界模型遭遇专业领域挑战
“世界模型”的核心是让机器建立关于世界如何运作的内部表征，理解环境演变和行为后果。但在外科手术领域，仅理解日常物理规则是远远不够的。
外科手术充满了需要“专家直觉”的知识——解剖学、生理学、生物力学。一个真正有用的“手术世界模型”必须理解手术刀切开不同组织时的反应，理解特定操作背后的战略意图。
为模拟“常识物理”而设计的模型，能否驾驭需要“专家知识”的手术领域？耶鲁大学、诺丁汉大学等机构的研究者们进行了一项开创性研究，试图回答这个问题。
论文链接：
Benchmark（未开源）：
SurgVeo基准与手术合理性金字塔
研究者构建了完整的评测体系来解决这一挑战。他们提出了SurgVeo——首个由专家策划的、用于评估手术视频生成模型的基准，包含腹腔镜子宫切除术和内窥镜垂体手术两种代表性手术视频。
更重要的是，团队设计了一个新颖的四层评估框架——手术合理性金字塔，从四个层面系统评估生成内容的质量：
- 视觉感知合理性：评估最基本的画面质量，如清晰度、光照、组织纹理器械操作合理性：评估手术器械的运动轨迹是否符合手术规范环境反馈合理性：评估组织、器官对器械操作的反应是否真实手术意图合理性：评估系列动作是否展现出符合手术阶段的战略目标
研究邀请了四位执业外科医生组成专家小组，使用SPP框架对Veo-3模型生成的视频进行打分。模型执行的是零样本预测任务：给定手术场景的起始帧和文本提示，生成接下来8秒的手术视频。
惊人的“合理性差距”
研究结果揭示了一个深刻的断层——“合理性差距”：尽管模型在生成视觉上令人信服的手术场景方面表现出色，但在SPP框架的更高层级上却严重失败。
- 量化数据揭示的真相
在腹腔镜手术中，视觉感知合理性的初始得分为3.72分（满分5分），表明生成的图像“清晰得惊人”。然而，分数在SPP金字塔的更高层级急剧下降：
环境反馈合理性从1秒时的3.06分骤降至8秒时的1.64分
手术意图合理性从2.83分降至1.52分
器械操作合理性从3.13分降至1.68分
神经外科手术中也观察到同样的趋势，视觉感知得分3.88分，而其他维度得分均低于2.5分，且随时间推移迅速恶化。
- 典型失败案例触目惊心
定性分析让这些数字变得更加直观：
- 视觉质量失真：生成的视频画面亮度发生突兀且不自然的变化器械错误：模型“幻觉”出现实中不存在的手术器械操作不当：真实操作需要向左移动，模型却生成了向右的错误动作环境反馈错误：吸引器违反物理定律，像提拉固体一样将整块明胶海绵吸走意图错误：真实意图是在硬脑膜上注射生物胶水，模型却预测用棉片擦拭
错误类型的量化分布显示，与高层手术逻辑相关的错误占了绝大多数（腹腔镜93.8%，神经外科97.2%），而底层视觉质量问题仅占一小部分。
研究意义与未来方向
这项研究首次提供了量化证据，揭示当前最先进视频生成模型在手术AI领域中，令人信服的视觉模仿与真正的因果理解之间存在巨大鸿沟。
研究发现，为模型提供更明确的“阶段感知”提示并不能显著改善表现，证明问题不在于缺少上下文信息，而在于模型根本无法理解和运用专业领域知识。
这项工作为未来研究指明了方向：仅仅依靠在通用数据上进行大规模训练，可能不足以让模型掌握专家领域的复杂规则。未来的“手术世界模型”可能需要新的架构范式，能够整合结构化的领域知识，并在生成过程中强制执行严格的物理和逻辑约束。
SurgVeo基准和SPP评估框架为开发真正可靠的手术AI系统奠定了重要基础。虽然通往真正的手术世界模型道阻且长，但这项研究无疑是迈出的清醒而关键的一步。
对于AI在医疗领域的发展，这项研究提醒我们：外观的逼真绝不等于内在的合理，在关乎人命的高风险领域，模型的深度理解比表面完美更为重要。
