摘要：床旁超声具有无创、实时、便捷等特性，目前已成为麻醉科医师围术期管理的重要技术，但存在成像质量不稳定、技术依赖性强、培训周期长等问题。近年来，随着深度学习技术发展，人工智能在床旁超声中的应用愈发广泛。人工智能可以通过实时图像识别和判读、自动测量、引导机器人操作、
（长多麻醉学知识点）
珍稀动物保护日
珍爱动物 人人有责
珍稀动物保护日
珍爱动物 人人有责
1112通信作者：贾斐
Email: jiafei@caict.ac.cn
基金项目：首都卫生发展专项（2024-2-40912）
【摘要】床旁超声具有无创、实时、便捷等特性，目前已成为麻醉科医师围术期管理的重要技术，但存在成像质量不稳定、技术依赖性强、培训周期长等问题。近年来，随着深度学习技术发展，人工智能在床旁超声中的应用愈发广泛。人工智能可以通过实时图像识别和判读、自动测量、引导机器人操作、辅助超声培训等多方面降低床旁超声的技术门槛，改善操作体验，促进床旁超声在麻醉领域的推广。本文对人工智能辅助超声技术在麻醉领域的应用进行综述，为床旁超声在麻醉科的广泛化、智能化应用提供参考，同时也为人工智能在麻醉超声领域的进一步发展提供新的思路。
【关键词】人工智能；深度学习；超声；区域麻醉；超声心动图
床旁即时超声（point-of-care ultrasound， POCUS）已成为麻醉科医师的核心技能之一。2021年美国区域麻醉与疼痛医学会围术期超声培训指南表明，POCUS可以为患者的围术期风险评估和麻醉管理带来确切的临床获益[1]。然而，Haskings等[2]研究表明，仅有26%的麻醉科医师可以接受充分的POCUS培训，已接受培训的医师也难以长期维持操作质量。另外，由于患者体型肥胖、超声设备成像质量差等因素存在，获得可靠超声图像的几率亦明显降低，阻碍了POCUS在麻醉科的推广。人工智能（artificial intelligence， AI）指通过对庞大、复杂的临床数据进行整合，依托于计算机强大的算力处理能力，以期能够模拟人类的思维方式解决问题的一种技术科学。深度学习是AI的核心子集之一，通过多层神经网络学习和处理复杂的数据，自动提取图像、音频、文字等非结构化数据的表征，以达到输出准确结果的目的。深度学习的主流算法模型主要包括：循环神经网络、卷积神经网络（convolutional neural network， CNN）、生成对抗网络等，其中CNN在计算机视觉、图像识别与处理、语音识别等领域应用最为广泛。胡小义等[3]研究结果表明，AI在辅助麻醉领域超声操作中具有独特优势。本文对AI辅助超声技术在麻醉领域的应用进行综述，为AI在麻醉超声领域的进一步发展提供新的思路。人工智能在超声引导下区域麻醉中的应用
超声引导下区域麻醉（ultrasound-guided regional anesthesia， UGRA）克服了传统盲法效果不确切的缺点，能够实时显示目标区域的解剖层次、阻滞针的行进轨迹、药液注射后的扩散范围等重要信息，提高了阻滞的成功率。随着对该领域研究的不断深入，新的阻滞方法层出不穷，先进的理论与实际临床获益之间产生了一道鸿沟，而AI正是缩小该差距的有效手段。辅助超声图像识别 Bowness等[5]探索了一种新型AI设备——ScanNav，可在实时超声上应用颜色覆盖突显关键的解剖结构，辅助UGRA图像获取和识别，目前已被美国批准用于指导区域麻醉的实施[6]。该项研究纳入了UGRA专家和非专家各15例，专家指该校麻醉学系老师，经过美国麻醉医师协会认证且完成UGRA专业培训。非专家指该校参加住院医师培训的2～4年级的研究生。研究共进行了240次扫描，其中一半使用ScanNav辅助，结果表明，非专家组更认可该设备在临床操作中的辅助作用（61.7%），专家组则更认可该设备的辅助教学作用（50.0%）。后续研究继续纳入21例非UGRA专家[7]，结果显示，与直接扫查比较，ScanNav辅助组获得正确阻滞区域图像的几率明显提升（75.1% vs 90.3%）。该团队的外部验证分析表明，ScanNav可以识别93.5%（1 519/1 624）的关键结构，同时也可以降低神经内注射、动脉损伤等并发症的发生，体现了该模型的临床应用价值[8]辅助特定神经阻滞相较于ScanNav的通用型设计，为特定神经阻滞方法训练的AI模型，往往具有更高的识别精度。臂丛神经的轨迹变异率超过50%，Yang等[9]基于CNN算法研发了一种用于定位肌间沟臂丛的AI模型，识别特征图片的准确率可达96%，模型预测的神经鞘轮廓的侧边中点与实际位置距离仅差0.8 mm。胸椎旁神经阻滞是胸腹外科术后常用的镇痛方法，虽然效果确切，但靶点位置深在且接近胸膜，精准识别解剖结构至关重要。Zhao等[10]基于U-net框架开发了一种AI模型来识别胸椎旁神经阻滞中的椎旁间隙、肺、骨等解剖结构，准确率分别可达91.7%、95.4%和74.3%，具有较高参考价值。Gungor等[11]评估了AI系统——Nerveblox在肌间沟、锁骨上、锁骨下臂丛以及腹横筋膜平面阻滞中的应用价值。AI识别结果与专家意见高度一致。因此，AI可以对超声图像进行实时、快速、精准的分割和识别，增强神经、血管和其他解剖结构的可视性，降低UGRA操作门槛。目前针对不同神经阻滞技术的优质AI模型不断涌出，但对于具有泛用性、高精度的辅助系统仍有待研发。AI辅助除了用于超声图像的实时分割和识别外，在显示阻滞针行进路径、呈现针尖朝向以及引导机器人精准操作等方面也具备一定的临床应用价值[12]。2013年Hemmerling等[13]研发出第一台神经阻滞机器人“Magellan”并成功在13例患者身上完成了UGRA操作，体现出AI技术在辅助麻醉科医师进行UGRA操作方面具备广阔的应用前景。人工智能在床旁超声心动图中的应用
围术期血流动力学不稳定与患者术后器官功能损伤和认知功能障碍等不良事件密切相关[14]。心脏是循环系统的驱动中枢，心功能不全是导致围术期血流动力学波动的重要因素。超声心动图可以实时、无创、便捷地观察心脏解剖结构、心腔大小、室壁运动、瓣膜情况等，准确评估心脏功能以供临床参考，成为麻醉科医师的必备技能。AI可以通过辅助图像识别、自动测量等方面提高非专业者的检查质量，协助麻醉科医师做出更精准的临床决断[15]。辅助经胸超声心动图左心室射血分数是评价左心室收缩功能的重要指标。传统的M型超声测量法需要麻醉科医师手动放置取样线，该过程的可重复性差且容易出错。Li等[16]以ResNet50算法为核心开发了一款多任务深度学习模型——EchoEFNet，可以自动提取扫描图像特征进行识别分析并精确计算出左心室射血分数，结果表明，EchoEF-Net的预测值与真实值十分接近。下腔静脉汇集来自全身静脉的血液，其相关指标可以反映患者的容量负荷水平，对于围术期患者液体管理具有重要的参考意义。Gohar等[17]评估了一种AI模型测量下腔静脉塌陷率的准确度，结果表明，该AI测量结果与专家测量结果高度一致，且可以缩短检查时间。因此，AI在经胸超声心动图中的应用有效提高了数据测量的精度、效率和可重复性，在评估心功能和容量状态方面具有重要价值。
辅助经食管超声心动图经食管超声心动图（transesophageal echocardiography， TEE）避免了肺、胸廓、肥胖等因素的影响，成像更清晰，可用于较为复杂的心脏状态评估。在需要开胸或心肺转流的心脏手术中，TEE作为一种监测和诊断工具有重要的临床价值。目前，AI在TEE中的应用仍处于起步阶段，对于临床中复杂的图像数据，标准化、自动化处理流程的研发是关键。Steffner等[18]基于CNN开发了一种用于识别TEE标准视图的AI模型，选择8个TEE视图，结果表明，该模型在所有视图中具有较高的精度（AUC=0.816～0.957），有助于后续研究采集术中TEE数据进行深度学习。另一方面，AI在TEE中取代了手动采集心脏视图，增强了测量结果的一致性。Taskén等[19]基于CNN开发了一种辅助测量二尖瓣环平面收缩期偏移值的AI模型，结果显示AI测量值与真实值的平均差异为（-0.16±1.06）mm，优于传统测量方法，且测量速度更快。因此，将AI应用于超声心动图检查中，可以提高关键图像识别率和核心指标的测量准确度，缩短检查时间，促进检查结果的标准化和同质化，辅助麻醉科医师做出更快更准的临床决策。
人工智能在超声引导下椎管内麻醉中的应用
传统的盲法穿刺需要麻醉科医师依据体表解剖标志进行定位，依靠突破落空感和硬膜外负压判断针尖位置，成功率受患者因素影响较大。超声的应用提升了椎管内麻醉的首次穿刺成功率，并且在重度肥胖、脊柱畸形等患者中优势明显[20]，但仍然存在组织层次不清、位置较深、骨性结构多变等因素影响[21]。AI降低了超声的使用门槛，可以通过自动识别脊柱节段、测量硬膜外深度、规划进针路径等方式辅助麻醉科医师。Accuro是一种基于SpineNav3D AI导航技术的手持式超声设备，在椎管内穿刺过程中可以自动识别脊柱标志并测量皮肤至硬膜外间隙深度[22]。Kamimura等[23]一项网状Meta分析纳入74篇研究，对比了传统定位、术前超声定位、实时超声引导穿刺、术前Accuro定位四种方式，结果表明，Accuro定位较三种超声引导方式的首次成功率均有所提升但组间差异无统计学意义，操作时间上四种方式无明显差异。因此，尽管Accuro辅助椎管内麻醉相较于手法定位可以提高首次成功率，但与传统超声引导方法对比无明显优势，且无法节省操作时间。随着训练集的扩充，Accuro搭载的导航系统仍具有较大优化空间。肥胖患者由于皮肤至硬膜外间隙距离较大，手法难以触及骨性结构，导致定位不准。In Chan等[24]研发了一种自动识别脊柱节段的AI模型用于辅助肥胖患者的穿刺点选择，共纳入48例肥胖患者，在该程序的辅助下椎管内麻醉首次成功率为79.1%，硬膜外深度测量值与实际值高度一致（r=0.915）。实时超声在确定药液扩散、避免穿刺并发症等方面具有优势，但椎管内麻醉对无菌要求严格，单手持针穿刺也无法保证精准，这使得实时超声应用受限。半自动机器人通过AI程序的驱动可以精准规划进针路径，缓解麻醉科医师的操作压力。Haro-Mendoza等[25]研发了两种半自动机器人驱动程序用于规划进针路径，两种程序的仿真误差分别为0.41 mm和0.66 mm。因此，超声结合AI技术能够为椎管内麻醉提供更大的可能性，提高椎管内穿刺的精度，缓解由于使用超声增加的操作负担，推进超声在椎管内麻醉领域的应用。人工智能在辅助超声教学中的应用
POCUS依赖操作者技术水平，麻醉科医师如果想在临床中实际运用，需要付出昂贵的时间成本[26]。超声技术的学习重点主要在于能够获取和解释目标区域的超声图像以及可视化呈现针尖和药物扩散范围。Mor-Avi等[27]研发了一款名为UltraSight的超声心动图辅助教学AI系统，纳入9例操作新手（仅接受过基础的软件使用培训），共获取240张相关扫查图片，结果表明，新手可以运用该AI软件自主获得高质量的超声图像，有利于初学者进行目标导向的学习。与虚拟现实和增强现实结合，是AI在辅助超声教学领域中的重要方向。虚拟现实可以模拟各种临床中可能发生的危急事件供受训人员练习，可以设置操作难度以及训练强度，在情境中获得的知识和技能在现实中也能得到较好地保留[28]。AI技术在此基础上提供了交互式学习的机会，可以及时回答受训人员提出的问题，激发其学习兴趣[29]；采集操作数据，分析受训人员的操作习惯，自动规划进阶的训练强度[30]。增强现实可以将超声图像叠加显示到真实的临床场景，在实战中改善受训人员的视觉体验，配合AI可以显示经过识别处理的超声图像，并在AI的引导下完成操作。同时，操作过程中无需破坏无菌环境，依赖手势和语音模式驱动AI满足实时需求（如优化图像、调节深度等），整个过程操作者可独立完成[31]。在AI技术的加持下，麻醉超声技术的培训将脱离传统形式的束缚，麻醉科医师学习POCUS的成本将极大降低，学习效率明显提高。人工智能在床旁即时超声领域的局限和挑战
气道超声可以通过评估饱胃、判断导管位置、测量解剖距离等方式辅助围术期气道管理，对麻醉科医师有较高的参考价值[32]。然而，AI技术用于评估困难气道目前多集中在患者CT、MRI、面部图片特征的识别与建模[33]，AI与气道超声、胃部超声及肺部超声结合的研究鲜见报道。人工智能在飞速发展的过程中同样面临挑战：（1）AI模型的准确性高度依赖数据质量，目前临床中用于训练和验证的图像多由研究者自行采集并交由领域内专家标注处理，主观性较强，缺乏客观统一的评价标准，需要进行结构性优化[34]；（2）AI存在“黑箱”效应，模型的可解释性较差，涉及相关的医疗问责制度以及伦理问题也需进行详细框定[35]；（3）尽管AI技术可以提供一定程度的辅助，但目前仍无法取代操作者独立进行，麻醉科医师仍然需要努力学习POCUS理论知识，在实践中融会贯通，最大程度发挥AI的优势。小 结
AI技术的发展不仅降低了POCUS的使用门槛，提高了初学者的扫查质量，而且缩短了相关技术的学习时间，使麻醉科医师节省更多的时间精力专注于挑战本研究领域未解之谜。随着临床数据库的扩增和计算机算力的提升，AI与POCUS、机器人、虚拟现实、增强现实等技术的交互融合值得未来进一步研究。
参考文献略。
DOI:10.12089/jca.2025.03.014
来源：新青年麻醉论坛
