人工智能在超聲引導神經(jīng)阻滯方面的研究進展*

陳子明 聶錦平 朱夢葉,2 張學學,2 張達穎,2△ 顧麗麗,2△

（1 南昌大學第一附屬醫(yī)院疼痛科，南昌 330006；2 江西省衛(wèi)生健康委員會神經(jīng)性疼痛重點實驗室，南昌 330006）

神經(jīng)阻滯 (nerve block, NB) 是通過各種物理及化學方法作用于神經(jīng)節(jié)、根、叢、干和神經(jīng)末梢，使其傳導功能暫時或永久被阻斷的技術(shù)[1]，廣泛運用于慢性疼痛性疾病臨床診療和區(qū)域麻醉中。近年來，隨著超聲可視化的發(fā)展和普及，超聲大大提高了神經(jīng)阻滯的精準性和安全性。曾憲政等[2]研究表明，超聲引導下經(jīng)頸椎間孔注射可以達到經(jīng)CT 引導相似的準確性，且穿刺時間更短，安全性更高。但超聲引導的神經(jīng)阻滯技術(shù)也存在一些不足，超聲的成像質(zhì)量與操作者的水平差異、超聲設(shè)備的差異及病人的解剖結(jié)構(gòu)變異等因素密切相關(guān)。鑒于解剖結(jié)構(gòu)的復雜性、超聲圖像的多變性和操作者依賴性，對于從未接受超聲訓練的臨床醫(yī)師可能要經(jīng)歷一個漫長、系統(tǒng)的培訓過程，因此阻礙了該項技術(shù)的進一步普及化。

人工智能 (artificial intelligence, AI) 于1956 年首次提出，發(fā)展至今已有60 余年的歷史。由于圖像的像素值可以量化，圖像可以成為AI 算法的主要數(shù)據(jù)來源，因此AI 技術(shù)非常適合圖像的識別[3]。AI 用于超聲醫(yī)學是現(xiàn)在的研究熱點，在超聲診斷方面已經(jīng)取得較大的進展，尤其在肝臟、心血管、甲狀腺、乳腺、肌肉骨骼（肌骨）系統(tǒng)等領(lǐng)域中[4]，同樣在神經(jīng)阻滯領(lǐng)域也正受到越來越多的關(guān)注。國外的研究主要在AI 用于超聲圖像自動識別與解讀[5]、穿刺針可視化技術(shù)的優(yōu)化以及學員培訓等方面，但國內(nèi)未見類似的報道。為進一步提高超聲引導神經(jīng)阻滯技術(shù)的精準性和普及性，我們可以利用AI 技術(shù)輔助進行超聲圖像解讀及穿刺路徑優(yōu)化。本文綜述了AI 在該領(lǐng)域目前的研究進展，以期對AI 應用于臨床超聲引導神經(jīng)阻滯技術(shù)的推廣帶來一些思考。

一、人工智能的概述與超聲成像

AI 屬于計算機科學的分支，主要通過計算機來模擬人類的思維及認知功能，產(chǎn)生與人相似的思維方式，從而提升學習和解決問題的能力。常見的AI 技術(shù)包括機器學習(machine learning, ML)、深度學習(deep learning, DL)和卷積神經(jīng)網(wǎng)絡(luò) (convolution neural networks, CNNs) 等[6]。ML 是AI 的 一 個 子類，通過算法將輸入數(shù)據(jù)映射到輸出結(jié)果[7]。ML 通過手動提取特征，應用算法建立輸入圖像特征與輸出結(jié)果之間的對應關(guān)系，即可實現(xiàn)自動化的推理過程。DL 是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加隱藏層，實現(xiàn)對輸入數(shù)據(jù)更多元的處理。DL 具有自動特征學習能力、高性能的推理能力等優(yōu)勢，無需人為提取特征或預處理圖像，可以自動對數(shù)據(jù)信息進行學習，并從原始數(shù)據(jù)中積累經(jīng)驗反饋到新的學習中。DL 作為AI 的重要分支領(lǐng)域之一，可用于高質(zhì)量的超聲圖像獲取和解讀，并提供客觀、準確的超聲圖像分析[8]，在肌骨超聲中的應用受到了廣泛的關(guān)注。CNNs 是神經(jīng)網(wǎng)絡(luò)的一個子類，DL 的應用中大多數(shù)是基于CNNs。CNNs 由一系列隱藏層組成，包含卷積層、池化層、全連接層等多個層次[9]。CNNs輸入的數(shù)據(jù)類型為圖像，在處理醫(yī)學成像方面具有高效的特點[7]，研究已證實CNNs 具有學習醫(yī)學影像分層和抽象特征的能力[10]。綜上所述，AI 技術(shù)在超聲醫(yī)學領(lǐng)域大有可為。

二、人工智能在超聲引導神經(jīng)阻滯方面的應用

超聲成像存在的空間分辨率低，散斑噪聲等問題，會導致細微的解剖特征通過肉眼無法與周圍背景明顯區(qū)分，尤其是僅接受過有限的超聲圖像閱讀訓練的臨床醫(yī)師在解讀超聲圖像時會面臨著很大的挑戰(zhàn)[11]。同時，對于部位較深的阻滯靶點，超聲成像質(zhì)量欠佳可能導致穿刺針的不能清晰顯影，這種情況下盲目進針可能增加并發(fā)癥的發(fā)生率。AI 具有強大的圖像處理能力及數(shù)據(jù)分析能力，通過采集大量圖像數(shù)據(jù)，提取圖像特征，構(gòu)建一系列高效的學習模型，對圖像結(jié)構(gòu)進行自動地分類、分割和識別，輔助臨床醫(yī)師對超聲圖像的快速準確解讀。對于缺乏系統(tǒng)超聲培訓的臨床醫(yī)師，基于AI 的超聲系統(tǒng)可以提供更多的補充信息，降低認知負荷，掃清圖像的閱讀障礙，從而提高超聲圖像的解讀效率。AI引導的超聲成像可以對圖像進行更有效和客觀的評估，減少操作者主觀因素的影響，AI 相關(guān)的計算機軟件可以提高臨床工作的精度、性能和時間效率，同時通過最小化人為干預來降低成本投入[12]，因此不論是在臨床實踐中，還是在學員培訓方面都有巨大的潛力。目前基于AI 的超聲引導神經(jīng)阻滯技術(shù)的研究在以下方面取得了一定的進展。

1. 人工智能對神經(jīng)超聲圖像的自動分割和識別

超聲的引導可以幫助操作者在穿刺過程中避免損傷血管、神經(jīng)等重要組織，提高神經(jīng)阻滯的安全性。為達到更好的神經(jīng)阻滯效果，阻滯點需要接近目標神經(jīng)。但是超聲圖像復雜多變，準確定位并識別目標神經(jīng)對于初學者而言絕非易事。基于AI 的超聲成像系統(tǒng)可以根據(jù)像素值不同實現(xiàn)對圖像進行自動分割，從而識別出目標神經(jīng)，降低操作者對目標神經(jīng)的解讀誤差，進而提高神經(jīng)阻滯的準確性。Hafiane 等[13]使用基于相位的概率梯度矢量流(probabilistic gradient vector flow, PGVF) 算法跟蹤坐骨神經(jīng)區(qū)域，生成的平均Dice 度量值為0.90，平均Hausdorあ度量值為11.1，顯示該方法的神經(jīng)識別具有較高的準確性。Hadjerci 等[14]提出了一種分割系統(tǒng)，包括預處理、特征提取和支持向量機分類器，用于選擇正中神經(jīng)的多個目標，并使用置信度決策最終確定正中神經(jīng)的真實目標。該方法生成的平均Dice 度量值為0.815。Alkhatib 等[15]提出了利用自適應中值二進制模式 (adaptive median binary pattern,AMBP) 作為一種跟蹤算法對正中神經(jīng)的紋理特征進行分割和追蹤，發(fā)現(xiàn)其準確率為95%。

U-Net 是一種基于完全卷積網(wǎng)絡(luò)的架構(gòu)，廣泛應用于生物醫(yī)學圖像分割。將輸入圖像進行多層卷積，提取出若干個特征，然后對這些特征進行反卷積，并將卷積圖像添加到淺層以獲得目標特征和位置信息，最后以圖像的形式輸出[16]。Smistad 等[17]已經(jīng)嘗試用U-Net 來突出神經(jīng)和血管，用于超聲引導的腋路臂叢神經(jīng)阻滯。Huang 等[16]利用U-Net 訓練一個用于股神經(jīng)區(qū)域分割的模型，取得了較好的分割效果。另一種DL 算法是MaskTrack，它是一種遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以有效分割序列圖像中的對象，并準確定位神經(jīng)區(qū)域[18]。Horng 等[19]開發(fā)一個基于U-Net 架構(gòu)的CNN 正中神經(jīng)分割和定位模型，稱為DeepNerve。DeepNerve 使用了MaskTrack技術(shù)來增強定位能力和ConvLSTM 來記錄之前的信息并加強分割。此研究比較了4 種不同的深度學習模型，分別為輕量級U-net、U-net + MaskTrack、ConvLSTM + U-net + MaskTrack 和DeepNerve，發(fā)現(xiàn)四個模型中DeepNerve 的正中神經(jīng)分割效果最好。同時，將實驗結(jié)果與基于活動輪廓模型的其他常規(guī)方法進行了比較，發(fā)現(xiàn)DeepNerve 的分割效果優(yōu)于傳統(tǒng)的主動輪廓方法。上述研究表明AI 具有很強的超聲圖像神經(jīng)分割能力，自動識別神經(jīng)的應用潛力巨大。

2. 人工智能對脊柱超聲圖像的自動識別和定位

對于脊神經(jīng)的阻滯需要對脊柱進行準確定位，傳統(tǒng)的觸診定位法在臨床實際運用中較為常見。準確地觸診定位需要良好的解剖學知識和一定的技巧，但是肥胖、脊柱變異和脊椎手術(shù)后等因素會加大定位的難度，盲目穿刺會增加相應并發(fā)癥發(fā)生的概率。研究表明，傳統(tǒng)的觸診法對脊柱節(jié)段識別的準確率只有30%[20]。超聲的引導可以獲得清晰的脊柱部位解剖成像，實現(xiàn)對脊柱結(jié)構(gòu)的可視化識別，對脊柱的定位無疑更為精準。但是，由于脊柱解剖結(jié)構(gòu)具有復雜性，超聲圖像解讀往往具有很高的難度，并且圖像還常常受到散斑噪聲、聲雜波、混響偽影等的影響。AI 技術(shù)可以對超聲圖像進行降噪、去偽影等處理，優(yōu)化圖像質(zhì)量，精準特征提取，實現(xiàn)對超聲圖像的自動分類和識別，指導醫(yī)師對超聲圖像的精準解讀，從而實現(xiàn)超聲引導對脊柱水平的自動識別和定位。Kerby 等[21]提出利用旁中位圖獲得的全景圖像自動標記腰部水平。Yu 等[22]開發(fā)了一種圖像處理和識別程序，用于自動解讀橫向視圖中的超聲圖像。其開發(fā)了一種四層級聯(lián)分類器來分類棘間圖像和骨圖像，在孕婦的超聲圖像上，訓練集的成功率為94.8%，測試集的成功率為93.23%。Yu 等[23]還利用一種基于特征提取和ML 的方法，用于自動判讀脊柱橫斷面上的超聲圖像。通過對來自20 名孕婦的800 幅圖像進行訓練，對來自16 名孕婦的640 幅圖像進行測試。該方法在訓練集和測試集上的成功率分別為97.25%和95.00%。Pesteie等[24]提出了ML 特征提取和神經(jīng)網(wǎng)絡(luò)分類技術(shù)來自動識別硬膜外和關(guān)節(jié)突關(guān)節(jié)注射的最佳平面。Hetherington 等[25]開發(fā)出一種實時脊柱水平自動定位系統(tǒng)，通過深度卷積神經(jīng)網(wǎng)絡(luò) (deep convolution neural network, DCNN) 對脊柱下部的橫向圖像進行分類，在不需要預定義特征的情況下，利用遷移學習和4個不同的DCNN 架構(gòu)來完成學習脊柱的特征。該系統(tǒng)可以對序列的超聲數(shù)據(jù)進行自動分類和處理，能夠識別出骶骨、椎間隙、椎體骨平面之間的過渡從而識別椎體水平，其自動識別成功率分別為95%、93%和93%。在20 次超聲掃描中有17 次成功識別了所有的椎體水平，達到了88%的精度。未來的研究將納入更多的數(shù)據(jù)，以提高訓練模型的準確性，同時將算法擴展到整個脊柱以提高臨床適用性。

3.人工智能對穿刺針超聲圖像的自動檢測和定位

神經(jīng)阻滯的準確性與穿刺針尖和目標神經(jīng)的距離密切相關(guān)。超聲引導下穿刺可以實時動態(tài)觀察進針的情況，但由于受偽影和圖像質(zhì)量的影響，可能出現(xiàn)針顯影不佳的情況，無法準確判斷針尖的位置。在超聲引導穿刺過程中，穿刺針的角度過于陡峭或插入過深時，穿刺針在超聲成像平面的顯影就會欠佳，降低了針的能見度。而且，沿針軌的高回聲軟組織或骨產(chǎn)生的高強度特征也可能干擾針的可見性[26]。因此，在面對穿刺角度過大和穿刺過深等情況時，準確地針尖定位仍然是一個挑戰(zhàn)。AI 技術(shù)可以對超聲圖像的針影進行自動分割，強化針與背景的區(qū)分，有助于增強針的可視化，提高定位精度。并且基于AI 對超聲圖像進行處理的方法不需要額外的硬件，更容易適應標準的臨床工作流程。Ding 等[27]提出了基于Hough 變換的方法可以實時分割針影。Mwikirize 等[28]提出了一種基于局部相位投影和圖像正則化的框架以加強針軸和針尖的可視性。利用該方法在豬和牛的模型上進行了300 次體外超聲掃描，結(jié)果顯示針尖定位誤差為0.55±0.06 mm。Hatt等[29]介紹了一種基于ML 的方法，使用一種統(tǒng)計增強方法來訓練針狀分割的像素級分類器，用于超聲圖像的分割。該研究對離體標本和臨床神經(jīng)阻滯兩方面的數(shù)據(jù)進行驗證，對于體外數(shù)據(jù)集，成功定位針的概率為86.2%，平均定位誤差為0.48 mm；對于臨床數(shù)據(jù)集，成功定位針的概率為99.8%，平均定位誤差為0.19 mm。結(jié)果表明，基于ML 的分割方法提高了針的定位精度，增強了針的可視化。近年來基于CNNs 的DL 的開始出現(xiàn)，并迅速成為一種強大的醫(yī)學圖像分析工具。Mwikirize 等[26]利用一個全卷積網(wǎng)絡(luò) (fully convolutional network, FCN) 和一個快速的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò) (region based convolutional neural network, R-CNN) 組成的框架，對穿刺針軌跡及針尖進行全自動定位。經(jīng)過2500 次體外超聲掃描的訓練和驗證，該檢測系統(tǒng)檢測精度為99.6%，召回率為99.78%；在牛和豬腰骶椎體模型上，使用不同成像平面收集的400 個圖像，對針定位進行驗證，得到針軸部定位誤差為0.82°±0.4°，針尖定位誤差為0.23±0.05 mm，總處理時間為0.58 s，說明該框架下全自動的穿刺針定位得到較為準確、穩(wěn)定的結(jié)果。全自動、實時精準的穿刺針檢測和定位在超聲引導微創(chuàng)治療和手術(shù)中可能具有廣闊的應用前景。

4.人工智能實時輔助超聲引導神經(jīng)阻滯的運用

超聲圖像不能顯示完整輪廓，操作者必須依靠周圍的組織、解剖學知識和經(jīng)驗在超聲圖像中勾畫解剖結(jié)構(gòu)。ML 技術(shù)可能是一種提高分割準確性的方法，但是并不能滿足實時動態(tài)的超聲輔助。DL具有自主學習能力，可以更好地適應臨床運用。Smistad 等[30]創(chuàng)建了一個實時輔助系統(tǒng)，指導操作者執(zhí)行超聲引導的股神經(jīng)阻滯。研究通過比較估計目標和專家建議的目標之間距離，結(jié)果顯示平均距離為8.5 mm，標準差為2.5 mm，證實該系統(tǒng)有助于初學者實施神經(jīng)阻滯時識別圖像結(jié)構(gòu)，但是對圖像質(zhì)量有較高的要求。Gungor 等[31]為評估基于AI的超聲的準確性，開發(fā)了一款軟件用于超聲引導周圍神經(jīng)阻滯的圖像解釋。在軟件引導下進行斜角肌間溝、鎖骨上、鎖骨下和腹橫肌平面進行超聲掃描，軟件會對預先設(shè)定的解剖標志（如血管、肌肉、骨等）進行顏色標記（見圖1），同時原始和標記的超聲圖像都被保存，并由專家對軟件識別原始結(jié)構(gòu)的準確程度進行評價。結(jié)果表明，基于AI 的超聲實時解剖識別具有較高的準確性?；贏I 支持的超聲成像可能成為一種很有前途的輔助工具，用于輔助新學員識別超聲圖像中解剖結(jié)構(gòu)，實施周圍神經(jīng)阻滯，有利于培訓學員和提高經(jīng)驗。Bowness 等[32]探討基于AI 的超聲設(shè)備ScanNav 在臨床的實用性，由專家組和非專家組均用AI 超聲與普通超聲進行掃查相比較，結(jié)果顯示非專家組對ScanNav 能提供培訓潛力的積極反饋為 61.7% (37/60)，專家組對Scan-Nav 在教學中的實用性的積極反饋為50% (30/60)，說明ScanNav 可以支持非專家的培訓和臨床實踐，也有利于專家對超聲引導神經(jīng)阻滯的教學，基于AI增強的超聲掃描能夠支持未來超聲引導技術(shù)的發(fā)展和推廣。

圖1 軟件用于超聲圖

三、總結(jié)與展望

幾十年來，超聲因其高安全性和高效率在臨床診療中得到了廣泛的應用。隨著計算能力和算法的創(chuàng)新，還出現(xiàn)了一些提高空間分辨率和圖像質(zhì)量的新功能，如散斑減少、視頻捕獲、諧波組織成像、復合成像和全景成像[33]，極大地彌補了超聲成像質(zhì)量的不足。AI 技術(shù)為超聲引導帶來更大的潛能，對于初學者而言，AI 技術(shù)的輔助可以降低學習超聲引導神經(jīng)阻滯的上手難度，縮短學習曲線，可以將其演變成一個重要的教育資源，促進臨床技能的培訓，從而促進超聲引導神經(jīng)阻滯技術(shù)在臨床的應用推廣。在臨床操作中，基于AI 的系統(tǒng)可以輔助臨床醫(yī)師做出判斷，減少圖像采集、定位、分析及決策進針入路等所需的時間，極大提高工作效率，提高操作醫(yī)師的自信心。同時長時間地閱讀圖像容易產(chǎn)生疲勞，可能會降低操作醫(yī)師判斷力，而計算機化的系統(tǒng)不受疲勞的影響，能夠高保真度重復執(zhí)行指令[34]，從而降低個人因素的影響。對于城鄉(xiāng)間醫(yī)療資源不平衡的問題，基于AI 的超聲成像系統(tǒng)有助于打破醫(yī)療技術(shù)屏障，促進超聲引導神經(jīng)阻滯技術(shù)的推廣，進一步促進醫(yī)療公平。由此可見，基于AI 的超聲引導神經(jīng)阻滯技術(shù)在臨床運用中具有廣闊的前景和應用價值。

盡管AI 在克服超聲圖像高度可變性和操作者依賴性方面顯示了巨大的潛力，但我們?nèi)匀幻鎸χ芏嗵魬?zhàn)。首先，圖像預處理技術(shù)需要大規(guī)模應用AI 以適應解剖結(jié)構(gòu)的復雜性和超聲圖像的多變性，缺乏醫(yī)學背景的工程師無法單獨完成這一任務(wù)，這對醫(yī)學和計算機科學的學科間合作提出更高的要求。其次，數(shù)據(jù)是AI 學習系統(tǒng)最核心、最關(guān)鍵的組成部分，數(shù)據(jù)庫的數(shù)量和質(zhì)量將直接影響AI 的性能，因此基于AI 的學習依賴于大規(guī)模、標準化的超聲圖像數(shù)據(jù)的采集。臨床工作中的超聲圖像采集可以為AI 的發(fā)展提供豐富資源，但人工采集和評價時存在個人主觀上的偏差，不可避免地產(chǎn)生偏倚。如何建立一個超聲圖像處理和采集的標準，避免數(shù)據(jù)采集過程中的偏倚也是當前面臨的重要問題。第三，AI 算法缺乏透明度，我們無法知道輸入層和輸出層之間的多個隱含層的內(nèi)部結(jié)構(gòu)，如果算法的隱含層存在錯誤，則無法知道是哪一層，使得問題的解決方案難以找到[35]。綜上所述，AI 運用于實際工作中還面臨著諸多的挑戰(zhàn)和難題。

我們相信，隨著優(yōu)化超聲成像的AI 相關(guān)技術(shù)的不斷發(fā)展，其在加強解剖結(jié)構(gòu)的識別和定位、增強穿刺針的可視化等輔助神經(jīng)阻滯方面也將進一步成熟，從而可以更好地為臨床醫(yī)師提供實時定位和決策支持。相信在未來，基于AI 的超聲會更好地促進神經(jīng)阻滯的推廣和應用。

利益沖突聲明：作者聲明本文無利益沖突。