人工智能在超声图像采集自动化中的应用

人工智能系统如今可自动优化增益与深度、引导操作者获取标准切面,甚至部分接管探头定位,从而缩短即时超声检查的学习曲线。

谈到超声领域的人工智能,大多数关注点都集中在自动诊断上——即对已获取的图像进行结节分类、评分计算或可疑征象标注的算法。然而,还存在一个更早、同样具有变革性的环节,发生在实际扫描患者的过程之中。这就是采集自动化:系统实时调整图像参数、识别所采集切面是否正确、引导操作者找到理想声窗,在某些场景下甚至能物理控制探头。本文专门聚焦于这一采集环节,而人工智能辅助解读与报告的话题则留给本站关于自动化诊断的姊妹文章。

何为采集自动化

自动化一词涵盖的是一个连续谱系,而非单一功能。最基础的层级是图像自动优化:算法在每次更换探头或患者时自动调整增益、深度、焦点和动态范围,而这在过去需要检查者不断手动调节。第二层级是自动切面与视图识别:软件根据实时像素模式判断图像是否对应心尖四腔心切面、胎儿丘脑水平横切面或甲状腺短轴切面,并在目标达成时告知操作者。第三层级增加了主动引导,通过箭头或语音提示指示探头应向哪个方向倾斜或滑动以到达正确声窗。谱系顶端则是检查过程中的自动分割与测量——例如左心室轮廓勾画并同步计算射血分数——以及最终由半自主或机器人系统接管部分或全部探头物理定位,可在本地或通过远程遥控方式操作。

超声心动图:视图识别与自动射血分数

采集自动化中最成熟、证据最充分的例子是即时心脏超声。2020年2月,美国FDA通过De Novo途径批准了Caption Health公司的Caption Guidance软件,用于辅助医务人员对成人进行标准化二维经胸超声心动图图像的采集。该系统利用机器学习实时指导操作者如何移动探头以获得诊断质量的切面,并自动截取每个切面中最佳的影像片段。一项发表于《JAMA Cardiology》的研究让八名此前完全没有超声心动图经验的护士使用该系统,在西北纪念医院和明尼阿波利斯心脏研究所对240名患者完成了240例人工智能引导检查。护士在人工智能辅助下获取的图像与超声医师标准检查的一致性达92.5%,在评估右心室大小与功能及心包积液是否存在方面准确率达98.8%,该结果在不同性别、种族和体质指数人群中均保持一致。

近来,自动化已从切面获取推进到测量本身。2026年6月,FDA批准了Clarius Ejection Fraction AI工具,该工具内置于Clarius无线探头(PA、PAL和C3 HD3型号)配套应用程序中,能够直接从标准心脏切面自动计算左心室射血分数,无需手动描绘心内膜边界。制造商表示其目标是在复苏决策所依据的约90秒窗口内给出数值结果,从而减少对主观目测估计的依赖——而目测估计历来是急诊超声心动图中操作者间差异最大的环节之一。

产科:胎儿生物测量与标准切面检测

产科超声高度依赖于获取非常特定的解剖切面——双顶径、腹围、股骨长——而正确获取这些切面正是妇产科培训中最耗时的环节之一。近期关于人工智能辅助胎儿标准切面定位的综述描述了卷积神经网络能够实时自动判断所显示切面是否对应胎头的丘脑透明隔腔水平、小脑水平或丘脑水平横切面,并在切面符合生物测量要求时提示操作者。基于深度学习的胎儿腹部切面自动识别研究报告显示,其在区分合格与不合格腹围测量切面方面的分类表现可与经验丰富的检查者相媲美。更新的胎儿超声视频自动生物测量模型,经过独立队列的时序验证,不仅致力于识别切面,还致力于在整个检查过程中连续完成结构测量,而不再依赖操作者手动选取的单一静态帧。

甲状腺与乳腺:自动化容积、分割与评分

除心脏病学和产科外,自动化在腺体及乳腺容积检查中也取得了进展。自动乳腺容积扫描系统(ABVS)以单一电动化协议对整个乳腺进行扫查,生成三维数据集,免去逐象限手动扫查的需要,并支持标准化的后续复阅;早期将ABVS与手动B型超声比较的研究(包括数十例病例系列)显示两者在病灶检出方面表现相当,且ABVS具有观察者间可重复性的额外优势。近来,基于目标检测网络的模型(如YOLO系列架构)已被应用于ABVS图像,以自动检测和分类乳腺良恶性病灶。在甲状腺方面,放射学文献中对人工智能工具的综述(包括《美国放射学杂志》关于人工智能应用的专题系列)描述了能够自动分割结节、测量其三条径线并根据TI-RADS类风险分层系统提出分类建议的软件,其作用是在检查者自身测量之上增加一层标准化,而非替代活检的临床决策。

急诊与重症监护中的即时超声应用

或许自动化采集在临床上最有力的论据出现在急诊科和重症监护室——在这些环境中,即时超声检查必须由未接受过超声心动图或放射学正规培训的医生和护士在时间压力下完成。近期关于心脏即时超声人工智能应用的综述描述了图像识别算法如何帮助非专科操作者快速识别心包积液、严重心室功能障碍等指导即时决策的关键征象,在图像采集环节发挥安全网作用。一项针对新手学习者人工智能辅助即时超声培训对照试验的系统综述发现,在所评估的研究中一致显示,与不借助人工智能的常规培训相比,新手操作者获得的图像质量有所提升,不过作者也指出各试验间方法学异质性较大,仍需更大规模、更标准化的研究。在肺部即时超声方面,人们也在探索采集辅助软件,帮助经验较少的操作者在床旁检查过程中识别B线、实变等征象,从而减少对现场专科医生逐一验证每幅图像的依赖。

机器人与远程引导超声:把探头带到缺乏专科医生的地方

自动化的最高层级是机器人技术与远程控制的结合。Melody系统(法国AdEchoTech公司)是一种具有三个自由度的机械臂,可在远程超声医师的操控下移动探头,已获批用于腹部、盆腔、产科、血管及肌骨超声检查。在2020年新冠疫情暴发期间,加拿大萨斯喀彻温省北部一个孤立原住民社区拉洛什(La Loche)的定期航班被取消,该系统被用于维持当地的产科超声服务:一名远在605公里外的超声医师在当年4月至6月间,通过远程操控机械臂,为18名患者完成了21例产科检查。有限检查中81%获得了合格的图像质量,但完整的孕中期检查合格率较低(20%合格,50%不合格),表明该技术在面对解剖学要求更高的检查时仍存在实际局限,且约四分之一的检查过程中出现了技术延迟。发表于《Methodist DeBakey Cardiovascular Journal》的一篇综述共引用了约十项远程机器人超声临床研究,累计约800例患者,操作者与患者间的距离从3公里到7000公里不等,并提到了一些成效,例如瑞典农村地区一个项目中报告的诊断等待时间从114天缩短至26天。该综述同时指出了尚未解决的障碍:需要极低延迟的网络、触觉反馈技术尚不成熟、大多数医疗系统缺乏专门的计费代码,以及操作者执照监管在不同地区存在差异。

自动化真正解决了什么——以及尚未解决什么

综合来看,这些证据表明采集自动化最一致的益处并非取代检查者,而是缩小新手操作者与足以支持初步临床决策的检查质量之间的差距。这在专科医生稀缺的场景中尤为重要——没有值班放射科医生的急诊科、没有常驻超声医师的农村医疗单位、仅靠偶尔巡诊服务的社区——在这些场景中,人工智能的现实替代方案不是由专家完成的完美检查,而是根本没有及时的检查。Caption Guidance的数据显示,完全没有超声心动图培训经验的护士在人工智能引导下,获得的图像与参考检查的一致性可超过90%;远程机器人超声的数据则显示在偏远场景中诊断等待时间确实有所缩短。与此同时,这些研究本身也清楚地揭示了局限性:在解剖结构更为复杂的检查中(如远程机器人完成的完整孕中期产科检查),合格率明显下降;主要基于典型解剖结构训练的切面识别自动化技术,在面对解剖变异、困难体型或训练数据中未充分代表的非典型病理时,表现往往不够稳定;而且迄今获批的所有系统都不能替代最终的临床解读——它们优化或引导图像采集,但诊断决策仍由负责的医生做出。在监管层面也值得注意的是,这些工具大多是针对具体而有限的任务获批的(某一心脏切面、某一射血分数计算、某一类检查),而非完全自主的自动化扫描,当前的医疗标准仍要求对整个过程进行人工监督。

对超声学习者的实践意义

对于正在培养肌骨超声或通用超声能力的学习者而言,这些工具当前的实际价值更多在于标准化辅助,而非取代培训本身。一个能够提示增益过高、建议调整深度或确认切面技术上已达标的系统,可以加快熟悉设备的初始阶段,从而为人工智能目前尚不擅长的方面腾出更多学习时间——识别个体解剖结构的正常变异、将超声征象与临床病史相结合,以及在结果模糊时做出处置决策。换言之,自动化倾向于压缩检查技术部分(即获取技术上正确图像的操作过程)的学习曲线,但并未消除临床部分的必要性,后者仍依赖于有督导的实践积累、刻意练习与临床推理。清晰理解这一界限,才能让这些工具真正成为培训的加速器,而不是替代扎实超声能力养成的捷径。