目的探索深度学习技术识别喉返神经（recurrent laryngeal nerve, RLN）在经胸乳入路腔镜甲状腺手术（endoscopic thyroidectomy, ETE）中的应用价值。方法收集2020年2月至2021年8月北京协和医院基本外科进行的经胸乳入路ETE视频。经2名甲状腺医师的筛选后, 符合条件的手术视频根据一位高年资医师的意见分为低辨识度及高辨识度组, 经过抽帧、标注、审核与校对后, 按照随机数方法以5:1的比例分为训练集及测试集, 统一输送至D-Linknet模型进行训练。根据交并比计算测试集中的灵敏度、精确率及平均Dice系数。结果 46个视频共153 520帧图片纳入了本研究。其中训练集共39个视频131 039帧, 测试集共计7个视频22 481帧。交并比阈值为0.1及0.5时, 高辨识度组中灵敏度及精确率分别为92.9%/72.8%及85.8%/67.2%, 而在低辨识度组中则分别为47.6%/54.9%及37.6%/43.5%, 平均Dice系数在两组中分别为0.781及0.663, 证实了该模型对RLN具有较好的识别能力。结论基于深度学习的人工智能RLN识别在经胸乳入路ETE视频中可行, 有可能帮助外科医生降低手术中误损伤风险, 提高手术安全性。