Tim J. M. Jaspers

Samenvatting: Robotchirurgie is de standaard binnen de urologie voor complexe (oncologische) ingrepen. Ondanks technische verfijningen blijven systemen anno 2026 gebaseerd op een master-slave-architectuur zonder autonome functies. Dit artikel beschrijft het klinische perspectief van artificiële intelligentie binnen de robotchirurgie en de transitie van louter dataregistratie naar actieve chirurgische ondersteuning. Op basis van literatuur en eigen onderzoek wordt de impact beschreven van de enorme hoeveelheid beschikbare intra-operatieve data en de verwerkingscapaciteit van moderne algoritmen. Zelflerende AI-modellen kunnen patronen en anatomie herkennen. Hierdoor kunnen systemen voor het eerst chirurgische interpretatie benaderen in plaats van enkel bewegingen reproduceren. De integratie van AI is een essentiële stap richting autonome ondersteuning, wat de traditionele beperkingen van regelgebaseerde automatisering doorbreekt.

Foundation models have revolutionized computer vision by achieving vastly superior performance across diverse tasks through large-scale pretraining on extensive datasets. However, their application in surgical computer vision has been limited. This study addresses this gap by introducing SurgeNetXL, a novel surgical foundation model that sets a new benchmark in surgical computer vision. Trained on the largest reported surgical dataset to date, comprising over 4.7 million video frames, SurgeNetXL achieves consistent top-tier performance across six datasets spanning four surgical procedures and three tasks, including semantic segmentation, phase recognition, and critical view of safety (CVS) classification. Compared with the best-performing surgical foundation models, SurgeNetXL shows mean improvements of 2.4, 9.0, and 12.6 percent for semantic segmentation, phase recognition, and CVS classification, respectively. Additionally, SurgeNetXL outperforms the best-performing ImageNet-based variants by 14.4, 4.0, and 1.6 percent in the respective tasks. In addition to advancing model performance, this study provides key insights into scaling pretraining datasets, extending training durations, and optimizing model architectures specifically for surgical computer vision. These findings pave the way for improved generalizability and robustness in data-scarce scenarios, offering a comprehensive framework for future research in this domain. All models and a subset of the SurgeNetXL dataset, including over 2 million video frames, are publicly available at: https://github.com/TimJaspers0801/SurgeNet.