目的:甲状腺术中存在较高的甲状旁腺损伤或误切可能,实时识别可以更方便更及时地保护甲状旁腺。在本研究中,我们的目标是寻找最佳算法,开发一个腔镜下甲状旁腺实时识别的人工智能模型,PTAIR（Artificial intelligence model to recognize parathyroid gland）,分析其识别效能并与初、高级医师比较,在实战中应用,进行误报、漏报分析,提出算法的专业性改进建议。方法:从福建医科大学附属协和医院甲状腺外科赵文新治疗组自2012年8月24日至2019年8月24日完成的腔镜甲状腺手术中选取166例完整高清手术视频,由初级医师截取可能出现甲状旁腺视频片段共249个。高级医师将其划分为确认为甲状旁腺组（>90%把握组）、无法确认是否为甲状旁腺组（50%把握组）、确认不是甲状旁腺组（<10%把握组）。将确认为甲状旁腺组的视频片段转换成图片,按15:2随机形成训练集和测试集。分别使用YOLO、Faster RCNN、Cascade算法进行训练,并进行超参数优化,根据F值选择最佳算法。通过图像识别精确率、召回率、F值、准确度、灵敏度、特异度、阳性预测值、阴性预测值评估该模型识别腔镜下甲状旁腺的能力。此外回顾性研究福建医科大学附属协和医院甲状腺外科赵文新治疗组自2019年12月20日至2020年3月25日完成的腔镜甲状腺手术视频20例,作为独立外部试验队列,使人工智能模型识别完整手术视频。比较人工智能模型、初、高级医师在完整手术视频中识别甲状旁腺的识别率、初始识别时间及识别持续时间,并进行人工智能模型识别甲状旁腺的误报、漏报分析。结果:（1）Faster RCNN算法在测试数据集中识别甲状旁腺的F值最高,作为目前最优选择,命名为PTAIR-Faster RCNN-01,进行下一步研究。在测试数据集中,PTAIR-Faster RCNN-01识别腔镜下甲状旁腺的精确率、召回率、F值、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为88.7%、92.3%、90.5%、89.86%、92.3%、87.6%、88.7%、92.5%。（2）确认不是甲状旁腺组（<10%把握组）中,PTAIRFaster RCNN-01减少了初级医师的这部分误识别,特别是胸腺、肿瘤侵犯被膜、甲状腺结节、血管球/静脉瘤等组织类型。（3）在独立外部试验队列完整视频分析中,PTAIR-Faster RCNN-01、高级医师、初级医师甲状旁腺识别率分别为96.88%、87.50%、71.88%。PTAIR-Faster RCNN-01识别率高于初级医师,与高级医师相当,但PTAIRFaster RCNN-01能比高级医师较早发现甲状旁腺,且持续识别时间较长。（4）PTAIRFaster RCNN-01误识别组织类型主要为脂肪组织、淋巴结,主要集中在中央区清扫区域、建腔到腺叶切除前。漏识别中存在出血、烟雾、遮挡等情况。结论:基于卷积神经网络（Convolutional Neural Network,CNN）理论模型,我们成功开发了腔镜下甲状旁腺识别人工智能模型—PTAIR-Faster RCNN-01,该模型实现了对腔镜下甲状腺手术视频中甲状旁腺的实时识别与追踪,达到了较高的准确度,能减少初级医师的误识别。在人工智能与初、高级医师比较中,其识别率高于初级医师,与高级医师相当,具有预警、持续追踪功能。通过分析误识别组织类型、场景、漏识别情况,提出针对性建议来减少误报、漏报,提高识别准确度。