专注于为医疗器械研发与生产服务

2025年9月24-26日 | 上海世博展览馆1&2号馆

首页 > 技术新知 > 人工智能:心胸外科的未来 2024上海高端医疗设备展Medtec探秘

人工智能:心胸外科的未来 2024上海高端医疗设备展Medtec探秘

2024-06-24

1956年,John McCarthy在达特茅斯学院的一次会议上首次提出“人工智能”的概念。他讨论了“制造智能机器的科学和工程”。这为这个开创性领域的诞生铺平了道路。大多数早期研究集中在使用人工智能来证明数学定理和代数。Logic Theorist是由Newel、Simon和Shaw编写的计算机程序,证明了《数学原理》第二章中52个定理中的38个。20世纪80年代,专家系统开始崭露头角,这类基于逻辑的智能程序能够利用专家知识辅助非专家进行特定领域的决策。
Hinton等开发了深度神经网络,使用基于互补先前信息的算法来加速学习过程。计算机科学的技术进步和计算能力的提高使现代人工智能技术得以蓬勃发展。人工智能在众多领域取得了突破性进展,并已成为多个科研方向的核心支撑技术。

方法

本研究对Me深度学习ine和谷歌学术数据库进行检索,纳入2023年12月前发表的相关文献。检索词包括“人工智能”、“机器学习”、“虚拟现实”、“心胸外科”、“心脏外科”、“先天性心脏外科”和“胸外科”或其组合。2024上海高端医疗设备展Medtec发现该文献类型覆盖原始研究、荟萃分析、综述和病例报告。

人工智能的核心分支

人工智能这一迅速发展的计算机科学分支致力于开发能够在学习、推理和解决问题方面模仿甚至超越人类的智能系统。人工智能主要包含6个核心分支,如图1所示。

                                           图1 人工智能的6个核心分支,每个分支负责执行特定的任务。
机器学习
机器学习是一个基于“机器可以从数据中学习”概念的人工智能子领域。其核心是通过对训练数据的学习,使机器能够自主地识别数据中的模式,并据此做出决策。机器学习算法基于复杂的数学模型,能够对数据进行分类、解释和预测。
人工神经网络
人工神经网络受人脑神经元网络的启发,由一组被称为“单元”的算法构成。神经网络接受输入数据,并通过隐藏层运算产生特定输出。这一过程可用于识别大型数据集中各要素间的关联性。
自然语言处理
这一分支研究计算机与人类语言的交互。其处理的对象包括文本语料、情感倾向和语音信号,使机器能够理解和诠释这些数据所蕴含的信息。
深度学习
深度学习的特点是利用多层级的表示方法,通过对海量数据的学习,揭示复杂模式,从而做出精准的洞见或预测。深度学习模型能够处理文本、图像、音频等多种形式的非结构化数据。机器利用人类的特征和行为倾向进行监督学习。
认知计算
认知计算通过模拟人类智能的自主学习,实现人机交互,协助完成复杂任务。其利用数据挖掘、模式识别、自然语言处理等技术,从海量的结构化和非结构化数据中学习人类行为模式,再现人类思维过程,从而解决现实问题。
计算机视觉
计算机视觉利用深度学习和模式识别技术,使机器能够分析和解读图像、视频等视觉信息,做出有价值的判断。通过对视觉数据中的位置、像素等细节进行提取和组合,计算机视觉可应用于医学影像如X线片、MRI的智能化分析,提高诊疗效率。
2024上海高端医疗设备展Medtec不仅汇集全球企业,提供产品研发、生产、注册所需的设计及软件服务、原材料、精密部件、自动化制造设备、超精加工技术、合同制造、测试和认证、政策法规和市场咨询服务,同时展会现场还有十数场专业会议,议题涵盖医疗器械的研发设计、高端有源医疗器械的最新技术、光电部件在医疗中的应用、国内外法律法规、市场投融资情报分析等。报名参观即可与行业大咖近距离会面,机不可失!点击此处报名预登记>>>

术前规划与风险评估

扎实的术前评估是手术成功的关键。如图2所示,人工智能算法能够以惊人的细致程度分析医学影像数据,提取关键信息,辅助临床决策。机器学习和计算机视觉极大地提升了人工智能处理医学影像的能力。通过分析CT或超声心动图的序列切面数据,可重建出精细的三维(3D)解剖模型。这有助于根据患者个体解剖特征量身定制手术方案。

图2 人工智能系统的工作流。图片形象地表示了使用特定计算机算法处理的大量数据。然后由计算机进行分析,以提供基于算法的数学输出并形成结果。

人工智能在心血管疾病诊断中的应用迅速增加,前景广阔。研究表明,基于单导联心电图的信号处理模型可通过分析T波特征预测血钾水平,其预测偏差仅为10%-12%。梅奥诊所的研究利用深度卷积神经网络(deep convolutional neural networks,DCNNs)分析心电图节律,仅凭单次心电图即可以85.7%的准确率诊断左心室射血分数<35%的收缩功能不全,阳性结果提示患者发生左心功能障碍的风险是常人的4倍。该神经网络还可用于筛查心房颤动,在窦性节律心电图上的诊断准确率高达79.4%。
DCNN和深度学习技术也已应用于超声心动图图像的分析。Kusunose等利用DCNNs对超声心动图的区域壁运动进行定量分析,其诊断性能优于有经验的超声医师。同样,EchoNet-Dynamic深度学习算法在左心室容积勾画、射血分数测量和心肌病诊断方面也明显优于人工分析。
风险评估是心胸外科决策的核心环节,而数据分析正是人工智能的强项。近年来,大数据在医学研究中的地位日益凸显。海量的结构化临床数据蕴藏着丰富的信息,人工智能算法能够从中发掘出隐藏的关联模式和趋势,从而对术后出血、心律失常、肺部并发症等风险进行个体化预测。这为制定精准的手术方案提供了依据,有助于实现利益最大化和风险最小化,满足患者的个性化需求。
目前临床常用的外科手术风险评估系统,如STS评分和EuroSCORE II,主要基于多元回归模型,量化特定结局的风险。机器学习能够纳入更多的变量,建立更为复杂的特征组合,从而得出优于传统评分的风险预测模型。Nilsson等即证实了基于人工神经网络的风险评估模型在死亡率预测上优于EuroSCORE II。
Kilic等利用机器学习和Logistic回归分析了INTERMACS注册数据库中的10年数据,对比了主动脉瓣置换术后90天和1年的死亡率预测效能,结果表明机器学习模型的判别能力明显优于Logistic回归。Yoon等提出一种名为“Predictor Tree”的创新性风险预测方法,通过聚类分析,实现了比传统评分更精准、更具解释性的心脏移植预后预测。
尽管人工智能在辅助临床决策方面前景广阔,但其所提供的建议与医生的专业判断之间仍需权衡。人工智能应定位于医生的“智慧助手”,而非替代者。我们要对其分析结果保持警惕,确保其可解释性和可信度,以维护患者安全。

术中辅助与决策支持

人工智能是心胸外科技术革新的前沿阵地。增强现实和图像融合技术的引入,使外科医生能够以崭新的视角感知和分析患者解剖信息。
最近,一款名为“PulmoVR”的基于虚拟现实的应用在胸腔镜肺段切除术中崭露头角。它通过重建目标肺段的3D立体影像,为术者提供了更直观、更全面的解剖信息。在一项纳入10例患者的研究中,该技术导致术者在4例病例中改变了术前拟定的手术方案。最终,所有患者的手术均获得符合解剖的R0切除。
Xu等使用计算机视觉算法评估手术视频中血液像素的比例,如图3所示。血液和非血液像素用手工标记。尽管仅根据关键参考系进行计算,但该算法可评估手术的总出血量。对这些信号进行提取和处理后,算法表现出色,可较为准确地预测术后引流量、引流管留置时间和术中失血量。这一信息有助于指导围术期的输液策略和抗凝治疗,在心脏手术等大出血风险高的手术中尤为重要。

图3 用于评估术中图像的计算机视觉算法。计算手术期间一系列图像的血液与总像素的比率,可准确地估计术后失血量。

人工智能为客观评估外科手术操作技能提供了新的视角。Goldberg等开发了一个名为“OR Black Box”的智能平台,可通过整合手术室内多源视听信息和生理参数,全面评估手术操作流程、外科医生应激水平、潜在差错等,并提供详尽的改进建议。这种细致入微的反馈是人工难以企及的。另一项研究则利用手术室顶灯上的摄像头分析外科医生的手部活动,通过运动捕捉技术对其手术动作的流畅性、经济性等进行量化打分,为客观考核外科操作技能提供了可能。

术后监测与预测分析

术前构建的人工智能风险评估模型在术后的应用前景同样广阔。Zea-Vera等采用极端梯度提升机器学习算法,对心脏手术患者的术后死亡率、并发症发生率和费用支出进行预测,取得了优于传统评分模型的效果。类似的研究还有术后谵妄、肺部并发症、急性肾损伤等的智能预警。Fernandes等则分析了术中低血压、升压药使用、体外循环时间等因素,对患者顺利出院进行预测。
局限性
尽管人工智能在医学领域取得了长足进步,但其应用仍面临诸多挑战。人工神经网络因其“黑箱”特性而备受诟病,即难以解释其得出特定结果的内在机制,这导致其可解释性和可信度不足。人工智能一旦出错,其后果可能是灾难性的,而目前尚缺乏有效的错误监测和纠正机制,这是制约其广泛应用的重要原因。
此外,人工智能模型的稳健性有待提高。研究发现,深度学习算法可能过度依赖一些无关的特征而做出错误判断,例如,皮肤病智能诊断模型会将图像中的标尺与恶性肿瘤相关联。
隐私保护是另一个亟待解决的问题。在利用患者数据进行人工智能研究时,必须遵循严格的伦理和法律规范。欧盟出台的《通用数据保护条例》即是这方面的有益尝试。在推动医疗创新和隐私保护之间,我们必须寻求微妙的平衡。

评论

毋庸置疑,2024上海高端医疗设备展Medtec表示人工智能将引领心胸外科的未来发展。其在成人心脏外科、先心外科和胸外科等领域大有可为。在明尼苏达州大学的研究所里,Iaizzo在1997年开创了可视化心脏项目的发展。利用计算机视觉技术,他们“复活”了75颗被认为无法进行移植的人体捐献心脏。几年后,人类心脏解剖图谱(http://www.vhlab.umn.edu/atlas/)面世,为医学生、住院医师和心脏外科医生提供了优质的解剖生理开放教学资源。这为导丝、导管、瓣膜和瓣膜成形环等器械创新奠定了基础。近年来,我们利用微CT成像和3D打印技术,构建了精细的心脏血管、心腔和组织的3D模型。如图4所示,结合虚拟现实,使用者可与这些模型进行沉浸式交互,极大地提升了超声心动图、冠状动脉解剖和胸部大血管空间关系等的教学效果。我们还将虚拟现实技术应用于术前CT、MRI的三维重建,形成精准的患者个体化解剖模型,为先心外科的手术规划以及术中决策提供了有力支持。

图4 上图展示了利用不适合移植的供体心脏制作的3D打印模型,以及相应的经食管超声心动图图像。下图展示了这些模型在手术室用于培训心血管外科住院医师和麻醉师的情景。3D,三维;RV,右心室;Ao,主动脉;LA,左心房;LVOT,左室流出道;LV,左心室。

文章来源:心外网讯

X