珍稀動(dòng)物保護(hù)日

珍愛(ài)動(dòng)物 人人有責(zé)

珍稀動(dòng)物保護(hù)日

珍愛(ài)動(dòng)物 人人有責(zé)

微信號(hào)：135editor

新浪微博：@135編輯器

冬日微醺

微 信 號(hào)：135editor

新浪微博：@135編輯器

微信號(hào)：135editor

新浪微博：@135編輯器

人工智能在氣管導(dǎo)管定位中的應(yīng)用進(jìn)展

陳藝寧1 趙青1 李建強(qiáng)1 宋長(zhǎng)偉1 白凈1 王晟2

1北京工業(yè)大學(xué)計(jì)算機(jī)學(xué)院

2首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院麻醉中心

通信作者：王晟

Email: shengwang@mail.ccmu.edu.cn

基金項(xiàng)目：國(guó)家自然科學(xué)基金聯(lián)合基金項(xiàng)目（U20A2018）；北京衛(wèi)健委高層次公共衛(wèi)生技術(shù)人才建設(shè)項(xiàng)目培養(yǎng)計(jì)劃（領(lǐng)軍人才03-10）

【摘要】氣管插管作為臨床麻醉、急救及重癥監(jiān)護(hù)中的關(guān)鍵操作，其成功率直接影響患者生命安全和手術(shù)效果。其中，氣管導(dǎo)管的正確定位是決定插管成功的核心。然而，傳統(tǒng)插管技術(shù)高度依賴操作者臨床經(jīng)驗(yàn)，存在主觀性強(qiáng)、標(biāo)準(zhǔn)化程度低及操作難度大等問(wèn)題，易引發(fā)插管失敗或?qū)Ч墚愇坏炔涣际录?。此外，成年患者與嬰幼兒患者的呼吸系統(tǒng)結(jié)構(gòu)存在顯著差異，使得插管定位方法各異。近年來(lái)，人工智能（AI）技術(shù)在氣道管理中的應(yīng)用為插管定位提供了創(chuàng)新性解決方案?；诖髷?shù)據(jù)分析和深度學(xué)習(xí)算法，AI技術(shù)可有效規(guī)避人為操作誤差，提高氣管導(dǎo)管定位的客觀性和準(zhǔn)確性。本文系統(tǒng)綜述近5年AI在氣道導(dǎo)管定位的研究進(jìn)展，深入剖析AI于插管評(píng)估和定位實(shí)踐中的應(yīng)用技術(shù)路徑。同時(shí)，通過(guò)多維度分析當(dāng)前AI在臨床應(yīng)用中面臨的技術(shù)瓶頸與挑戰(zhàn)，結(jié)合行業(yè)發(fā)展趨勢(shì)對(duì)其未來(lái)發(fā)展方向進(jìn)行探討，為推動(dòng)AI在氣道管理中的臨床應(yīng)用提供參考。

【關(guān)鍵詞】氣管導(dǎo)管定位；人工智能；氣管插管評(píng)估；深度學(xué)習(xí)

氣管插管是臨床麻醉、急救及重癥監(jiān)護(hù)中維持氣道通暢和有效通氣的關(guān)鍵操作，導(dǎo)管的正確定位是其成功的核心。成年患者氣管插管理想位置為氣管管尖，位于隆突上方2～5 cm處；新生兒及嬰幼兒因解剖特殊性，需控制在隆突上方0.2～2.0 cm處［1］。氣管導(dǎo)管置入過(guò)深易致低氧血癥等并發(fā)癥［2］，過(guò)淺則可能引發(fā)意外拔管，增加再插管風(fēng)險(xiǎn)，進(jìn)而導(dǎo)致缺氧性腦損傷甚至死亡［3］。多次插管還與氣道損傷、瘢痕及肺部感染等并發(fā)癥相關(guān)［4］。因此，正確精準(zhǔn)的氣管插管位置至關(guān)重要。目前，氣管導(dǎo)管定位主要依靠臨床醫(yī)師的經(jīng)驗(yàn)判斷［4］，準(zhǔn)確性受限，尤其在頸椎損傷、肥胖等特殊患者中，易出現(xiàn)定位偏差和插管失敗，導(dǎo)致缺氧、誤插等嚴(yán)重并發(fā)癥［5］。新生兒因解剖特殊，尚無(wú)統(tǒng)一有效的定位方法［6］。鑒于此，亟需研發(fā)可輔助臨床醫(yī)師精準(zhǔn)定位氣管導(dǎo)管的技術(shù)和方法。

近年來(lái)，人工智能（artificial intelligence， AI）技術(shù)為困難氣道管理領(lǐng)域帶來(lái)革命性變革。任偉東等［7］、鄭源源等［8］已探討AI技術(shù)在成年患者困難氣道評(píng)估及插管定位中的應(yīng)用，但針對(duì)患兒群體的系統(tǒng)性研究不足。宋琳琳等［9］雖綜述患兒麻醉技術(shù)難題，卻未深入分析AI驅(qū)動(dòng)的解剖定位策略。現(xiàn)有綜述研究存在4個(gè)方面的局限性：第一，缺少研究系統(tǒng)性整合成年患者與患兒在氣道管理領(lǐng)域的AI應(yīng)用，由于成年患者與患兒氣道解剖參數(shù)（如氣管直徑、軟骨彈性模量）存在量級(jí)差異，傳統(tǒng)統(tǒng)合分析模式難以滿足精準(zhǔn)醫(yī)療需求。第二，多數(shù)研究未區(qū)分“插管定位”（預(yù)測(cè)導(dǎo)管尖端位置）與“插管位置評(píng)估”（評(píng)估導(dǎo)管與隆突相對(duì)關(guān)系），常將兩者混為一談，缺乏專門對(duì)氣管插管這一操作的細(xì)化探討。第三，多數(shù)研究缺乏對(duì)AI模型使用數(shù)據(jù)的系統(tǒng)性分類，任偉東等［7］和鄭源源等［8］粗略提及視頻喉鏡和胸部X線片數(shù)據(jù)，而宋琳琳等［9］更加專注于臨床電子病歷數(shù)據(jù)。第四，現(xiàn)有綜述研究未能從AI模型的角度對(duì)氣管導(dǎo)管定位任務(wù)進(jìn)行細(xì)粒度分類（如氣管的插管位置定位研究需目標(biāo)檢測(cè)和分割模型，插管位置評(píng)估需分類和回歸任務(wù)），僅籠統(tǒng)地將其歸為“AI方法”，難以提供精準(zhǔn)方法論指導(dǎo)。本文通過(guò)梳理最新研究進(jìn)展，系統(tǒng)性介紹AI技術(shù)在成年患者和患兒氣管導(dǎo)管定位中的應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)，將氣管插管評(píng)估與定位任務(wù)明確區(qū)分，并分別針對(duì)成年患者和患兒兩大人群展開(kāi)深入分析，重點(diǎn)探討不同AI技術(shù)的優(yōu)勢(shì)與局限性，同時(shí)對(duì)AI技術(shù)未來(lái)臨床應(yīng)用前景進(jìn)行展望，以期為推動(dòng)智能化氣管插管技術(shù)的精準(zhǔn)化發(fā)展提供參考，具體研究?jī)?nèi)容的思維導(dǎo)圖如圖1所示。

氣管導(dǎo)管定位中的AI技術(shù)

在臨床應(yīng)用中，胸部X線片是評(píng)估氣管導(dǎo)管位置的標(biāo)準(zhǔn)影像學(xué)檢查方法［9］。放射科醫(yī)師通過(guò)分析胸部X線片影像，測(cè)量氣管導(dǎo)管尖端與隆突之間的距離，以確認(rèn)插管位置是否恰當(dāng)。視頻喉鏡數(shù)據(jù)和電子病例數(shù)據(jù)可作為輔助信息，進(jìn)一步協(xié)助醫(yī)師確認(rèn)氣管位置。近年來(lái)，隨著AI技術(shù)的快速發(fā)展，包括卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）、時(shí)間序列模型和遷移學(xué)習(xí)在內(nèi)的多種AI技術(shù)已被引入該領(lǐng)域，顯著提升了氣管導(dǎo)管定位的準(zhǔn)確性和效率。AI技術(shù)在氣管導(dǎo)管定位中的應(yīng)用主要分為兩類：插管位置評(píng)估（通過(guò)回歸或分類模型判定導(dǎo)管與隆突的相對(duì)位置）與插管位置定位（借助目標(biāo)檢測(cè)或圖像分割方法直接預(yù)測(cè)導(dǎo)管尖端的具體位置）。由于成年患者與患兒的氣管解剖結(jié)構(gòu)存在顯著差異［10］，患兒的氣管插管案例數(shù)量少、操作耐受性差，胸部X線片影像數(shù)據(jù)獲取難、個(gè)體差異顯著等問(wèn)題，現(xiàn)有針對(duì)患兒氣管導(dǎo)管定位研究主要集中于位置評(píng)估任務(wù)中［11］。因此，后文將從以下個(gè)方面展開(kāi)論述。

插管位置評(píng)估中的回歸方法回歸方法以胸部X線片數(shù)據(jù)為基礎(chǔ)，利用深度學(xué)習(xí)或機(jī)器學(xué)習(xí)模型預(yù)測(cè)氣管導(dǎo)管尖端與隆突之間的精確距離，輸出具體數(shù)值，從而實(shí)現(xiàn)對(duì)插管位置的量化評(píng)估。

在面向成年患者的氣管插管位置評(píng)估研究領(lǐng)域，Lakhani等［12］和Elaanba等［13］都基于深度學(xué)習(xí)模型構(gòu)建回歸任務(wù)，以提升氣管導(dǎo)管定位的準(zhǔn)確性。Lakhani等［12］更注重精確的距離預(yù)測(cè)，研究分析了從11 153例患者中獲取的22 960張去標(biāo)識(shí)的正面胸部X線片，采用InceptionV3深度神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)氣管導(dǎo)管與氣管分岔點(diǎn)的距離。結(jié)果顯示，模型與放射科醫(yī)師的測(cè)量一致性（以類內(nèi)相關(guān)系數(shù)ICC衡量）分別達(dá)到0.84和0.89。該模型在檢測(cè)低位氣管導(dǎo)管（endotracheal tube， ETT）時(shí)，敏感性為0.939，特異性為0.977，表現(xiàn)出了較高的診斷能力。而Elaanba等［13］更強(qiáng)調(diào)異常位置的實(shí)時(shí)檢測(cè)，利用遷移學(xué)習(xí)技術(shù)和Keras框架訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)檢測(cè)導(dǎo)管位置是否異常。該研究團(tuán)隊(duì)使用參數(shù)調(diào)整方法和數(shù)據(jù)增強(qiáng)方法，訓(xùn)練多種模型（ResNet50、DenseNet121、ResNet50V2、NASNetMobile、InceptionV3和ResNet101），其中Resnet50V2模型在異常位置檢測(cè)的準(zhǔn)確度達(dá)到80%。這兩項(xiàng)研究都利用深度學(xué)習(xí)來(lái)提升氣管導(dǎo)管定位的準(zhǔn)確性，且在不同場(chǎng)景中驗(yàn)證了模型的有效性。

在面向患兒的氣管插管位置評(píng)估研究領(lǐng)域，Yi等［14］和Shim等［15-16］均致力于通過(guò)機(jī)器學(xué)習(xí)來(lái)提升X線片上氣管插管深度的最佳估計(jì)。Yi等［14］綜述了近50年內(nèi)用于檢測(cè)新生兒胸部和腹部X線片上的導(dǎo)管插管位置計(jì)算機(jī)輔助診斷系統(tǒng)，并公開(kāi)了相關(guān)數(shù)據(jù)集，以供研究者使用。而Shim等［15-16］的研究則聚焦于通過(guò)隨機(jī)森林、彈性網(wǎng)絡(luò)、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等4種機(jī)器學(xué)習(xí)方法，構(gòu)建回歸任務(wù)，預(yù)測(cè)患兒的最佳氣管插管深度。測(cè)試結(jié)果顯示，隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確度最高，達(dá)79.0%，顯著優(yōu)于基于年齡、身高和插管內(nèi)徑的傳統(tǒng)公式法，證明了機(jī)器學(xué)習(xí)在臨床中的實(shí)際應(yīng)用潛力。

回歸方法在成年患者與患兒插管位置評(píng)估中都展現(xiàn)出顯著的臨床應(yīng)用價(jià)值。基于胸部X線片，成年患者研究多采用深度學(xué)習(xí)模型，如Lakhani等［12］借助InceptionV3 網(wǎng)絡(luò)實(shí)現(xiàn)精準(zhǔn)距離預(yù)測(cè)，Elaanba等［13］利用Keras框架和遷移學(xué)習(xí)，使 ResNet50V2模型在異常位置檢測(cè)的AUC達(dá)到0.80?；純貉芯縿t側(cè)重于傳統(tǒng)機(jī)器學(xué)習(xí)，Shim等［15-16］通過(guò)隨機(jī)森林等4種算法構(gòu)建回歸模型，預(yù)測(cè)準(zhǔn)確率達(dá)79.0%。兩類研究均通過(guò)量化插管位置距離，為臨床氣道管理提供客觀依據(jù)，證實(shí)回歸方法在不同人群插管定位中的有效性與實(shí)用性，為精準(zhǔn)醫(yī)療提供了技術(shù)路徑。

插管位置評(píng)估中的分類方法分類方法以判斷插管定位正確性及深度范圍為核心，通過(guò)構(gòu)建模型將插管位置歸類為 “正確”“過(guò)深”“過(guò)淺” 等類別，為臨床決策提供直觀、明確的依據(jù)。

在面向成年患者的氣管插管位置評(píng)估研究領(lǐng)域，Tsai等［17］和Yuan等［18］利用深度學(xué)習(xí)技術(shù)構(gòu)造分類任務(wù)，從不同維度實(shí)現(xiàn)對(duì)胸部X線片中氣管導(dǎo)管位置的精準(zhǔn)評(píng)估。Tsai等［17］構(gòu)造了編碼器-解碼器的兩層模型，專注于檢測(cè)氣管導(dǎo)管的4個(gè)關(guān)鍵點(diǎn)（氣管導(dǎo)管末端、氣管隆突以及左/右頭臂靜脈）。該模型的編碼器部分基于預(yù)訓(xùn)練的DenseNet121結(jié)構(gòu)，將圖像轉(zhuǎn)化為嵌入特征；解碼器則是通過(guò)注意力機(jī)制增強(qiáng)的CNN子網(wǎng)絡(luò)，用于生成4個(gè)關(guān)鍵點(diǎn)的概率分布。在TMUH數(shù)據(jù)的測(cè)試中，該模型的最高敏感性和特異性分別達(dá)到了0.928和0.846。Yuan等［18］則重點(diǎn)研究了基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型（VGG16、InceptionV3、ResNet50和DenseNet169）在檢測(cè)和評(píng)估胸部X線片中ETT放置位置的可行性。該研究表明，使用感興趣區(qū)域（regionof interest， ROI）圖像的模型表現(xiàn)更佳，其中VGG16模型結(jié)合ROI圖像的AUC達(dá)到了0.92，F(xiàn)1分?jǐn)?shù)為0.87。兩項(xiàng)研究都使用了深度學(xué)習(xí)來(lái)提高ETT定位的準(zhǔn)確性，并取得了顯著效果，但Tsai等［17］更注重通過(guò)關(guān)鍵點(diǎn)檢測(cè)評(píng)估ETT位置的適當(dāng)性，而Yuan等［18］則強(qiáng)調(diào)了遷移學(xué)習(xí)和ROI的作用，展示了如何通過(guò)模型優(yōu)化來(lái)提高檢測(cè)效果。

在面向患兒的氣管插管位置評(píng)估研究領(lǐng)域，Xiao等［19］提出基于物理的虛擬現(xiàn)實(shí)模擬系統(tǒng)，用于自動(dòng)評(píng)估新生兒氣管插管的表現(xiàn)。該系統(tǒng)能夠捕捉喉鏡和氣管插管的完整運(yùn)動(dòng)，為臨床醫(yī)師提供全面信息，以進(jìn)行準(zhǔn)確評(píng)估。同時(shí)，研究者開(kāi)發(fā)可解釋的機(jī)器學(xué)習(xí)算法構(gòu)建分類任務(wù)，通過(guò)訓(xùn)練從運(yùn)動(dòng)中提取的性能參數(shù)和專家評(píng)分來(lái)自動(dòng)評(píng)估新生兒氣管插管的表現(xiàn)。該自動(dòng)評(píng)估算法在留一交叉驗(yàn)證中的分類準(zhǔn)確度達(dá)到80%，表明該系統(tǒng)能夠可靠地進(jìn)行一致和標(biāo)準(zhǔn)化的新生兒氣管插管培訓(xùn)評(píng)估。

分類方法通過(guò)結(jié)構(gòu)化輸出顯著提升了插管位置評(píng)估的效率與可靠性，在不同人群的氣道管理中展現(xiàn)出重要的臨床應(yīng)用潛力。成年患者研究通過(guò)不同的深度學(xué)習(xí)模型架構(gòu)與優(yōu)化策略，實(shí)現(xiàn)對(duì)胸部X線片中導(dǎo)管位置的精準(zhǔn)判斷；患兒研究則另辟蹊徑，借助虛擬現(xiàn)實(shí)模擬系統(tǒng)與可解釋算法，為新生兒插管操作提供標(biāo)準(zhǔn)化評(píng)估手段。

插管位置定位中的目標(biāo)檢測(cè)方法在成年患者插管位置定位的目標(biāo)檢測(cè)任務(wù)中，胸部X線片數(shù)據(jù)和視頻喉鏡數(shù)據(jù)作為主流數(shù)據(jù)源，模型側(cè)重于識(shí)別和進(jìn)行氣管導(dǎo)管尖端的邊界框定位。Yolo系列模型［20］的應(yīng)用取得了顯著進(jìn)展。Harris等［21］在大量胸部X線片圖像中標(biāo)注氣管導(dǎo)管和隆突的邊界框，并使用Yolo-v3框架訓(xùn)練機(jī)器學(xué)習(xí)模型。該模型通過(guò)生成測(cè)試集X線片的圖像邊界框來(lái)計(jì)算導(dǎo)管與隆突間距，在黃金標(biāo)準(zhǔn)數(shù)據(jù)集和前瞻性數(shù)據(jù)集上的測(cè)試結(jié)果顯示，其測(cè)量誤差（分別為0.70和0.68 cm）與放射科醫(yī)師的平均誤差（0.70 cm）相當(dāng)，誤差范圍控制在0.1 cm以內(nèi)。該模型與人工測(cè)量精度相似，證明了AI技術(shù)在氣管導(dǎo)管定位目標(biāo)檢測(cè)中的潛力。

Yolo系列模型［20］在視頻喉鏡圖像分析領(lǐng)域同樣表現(xiàn)出卓越性能。Wu等［22］開(kāi)發(fā)了基于Yolo-v3模型時(shí)間序列模型，實(shí)現(xiàn)了92.4%的目標(biāo)識(shí)別率，在優(yōu)化管尖和咽喉圖像后，識(shí)別率進(jìn)一步提升至99.4%。Kim等［23］則對(duì)Yolo-v4模型進(jìn)行改進(jìn)，利用20 161張臨床視頻喉鏡圖像進(jìn)行訓(xùn)練，實(shí)現(xiàn)了每秒65幀的實(shí)時(shí)圖像處理速度，為臨床醫(yī)師提供了快速、準(zhǔn)確的聲帶定位輔助。在單模態(tài)研究取得突破的同時(shí)，多模態(tài)融合技術(shù)也展現(xiàn)出獨(dú)特的優(yōu)勢(shì)。徐天意等［24］創(chuàng)新性地提出整合內(nèi)窺鏡圖像和二氧化碳濃度的多模態(tài)融合方法，并用多分支空間卷積模塊和矢量定位算法對(duì)Yolo-v3網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過(guò)校正模型所得邊界框的中心坐標(biāo)，顯著提高了小目標(biāo)檢測(cè)精度（在模擬氣道中的操作時(shí)間中位數(shù)僅為15.5 s，且操作成功率高達(dá)97.3%），為氣道定位提供了可靠的技術(shù)支持。

插管位置定位中的圖像分割方法在成年患者插管位置定位的圖像分割任務(wù)中，模型專注于識(shí)別胸部X線片圖像中與氣管插管尖端相關(guān)的像素點(diǎn)，Huang等［25］和Jung等［26］基于Mask R-CNN［27］模型展開(kāi)分析評(píng)估。Huang等［25］基于Mask R-CNN模型開(kāi)發(fā)自動(dòng)檢測(cè)算法，專注于便攜式仰臥位胸部X線片上ETT尖端與隆突位置及其間距離的檢測(cè)。通過(guò)對(duì)1 842例插管患者的胸部X線片進(jìn)行4折交叉驗(yàn)證和外部驗(yàn)證，結(jié)果顯示該算法在ETT-隆突距離測(cè)量方面與人類醫(yī)師表現(xiàn)相當(dāng)，甚至在某些方面優(yōu)于部分臨床醫(yī)師。此外，Jung等［26］研究重點(diǎn)在于開(kāi)發(fā)多標(biāo)簽分類算法，通過(guò)對(duì)胸部X線片中ETT位置的自動(dòng)分割實(shí)現(xiàn)多標(biāo)簽分類：采用Mask R-CNN和ResNet50［28］對(duì)ETT區(qū)域進(jìn)行自動(dòng)分割，再通過(guò)EfficientNet模型完成分類標(biāo)簽劃分，結(jié)果顯示該方法在分類準(zhǔn)確度和分割性能上均表現(xiàn)優(yōu)異。

此外，在成年患者插管位置定位的圖像分割任務(wù)中，其他研究團(tuán)隊(duì)也探索了不同的技術(shù)路徑。Wang等［29］基于DeepLabv3框架和DenseNet121框架開(kāi)發(fā)的計(jì)算機(jī)輔助檢測(cè)模型，在支氣管插管檢測(cè)中表現(xiàn)出良好的外部泛化性。Brown等［30］和Jung等［31］研究團(tuán)隊(duì)都是基于U-net模型［32］進(jìn)行胸部X線片中氣管和導(dǎo)管結(jié)構(gòu)的自動(dòng)分割，并根據(jù)導(dǎo)管的深度位置進(jìn)行分類。Brown等［30］探討U-net模型在ICU患者中的應(yīng)用，通過(guò)語(yǔ)義嵌入的神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)自動(dòng)檢測(cè)ETT、氣管和隆突的系統(tǒng)，以評(píng)估其作為臨床質(zhì)量改進(jìn)工具的潛力。結(jié)果表明，該系統(tǒng)達(dá)到了臨床驗(yàn)證標(biāo)準(zhǔn)。Jung等［31］研究則專注于CVC的深度位置評(píng)估，分別驗(yàn)證了不同導(dǎo)管位置的AI輔助檢測(cè)在實(shí)際臨床應(yīng)用中的可行性和有效性。該研究使用U-net++模型進(jìn)行氣管和CVC的自動(dòng)分割，隨后通過(guò)EfficientNet進(jìn)行CVC位置的分類，取得了較高的分類準(zhǔn)確性和性能（在淺位置標(biāo)簽中最高準(zhǔn)確度達(dá)91.0%，深位置標(biāo)簽中的F1值最高達(dá)0.82）。這些研究結(jié)果均提示，先進(jìn)的AI技術(shù)在ETT位置自動(dòng)檢測(cè)中表現(xiàn)出色，能夠有效降低定位錯(cuò)誤的風(fēng)險(xiǎn)，提升臨床操作的安全性和效率。

AI在氣管導(dǎo)管定位研究中面臨的問(wèn)題與挑戰(zhàn)

研究數(shù)據(jù)在氣管導(dǎo)管定位的AI研究中，目前的研究數(shù)據(jù)主要來(lái)自2種影像類型：胸部X線片和視頻喉鏡。其中，絕大多數(shù)研究采用胸部X線片圖像作為主要數(shù)據(jù)來(lái)源，少數(shù)研究［21-22］基于視頻喉鏡的圖像數(shù)據(jù)進(jìn)行研究。胸部X線片圖像在氣管導(dǎo)管定位方面的優(yōu)點(diǎn)包括數(shù)據(jù)獲取相對(duì)便捷、覆蓋面廣，且適合在術(shù)后或急救過(guò)程中快速確認(rèn)插管位置，而缺點(diǎn)是胸部X線片圖像為靜態(tài)影像，無(wú)法提供實(shí)時(shí)動(dòng)態(tài)信息，且圖像中氣道細(xì)節(jié)不如視頻喉鏡清晰。相反地，視頻喉鏡具有實(shí)時(shí)性強(qiáng)、可以動(dòng)態(tài)觀察的優(yōu)勢(shì)，有助于更細(xì)致地觀察氣道結(jié)構(gòu)。然而，由于視頻喉鏡的研究數(shù)量相對(duì)較少，尚未形成廣泛的數(shù)據(jù)積累和模型驗(yàn)證。在數(shù)據(jù)量方面，大部分文獻(xiàn)中數(shù)據(jù)集的數(shù)量在400例以上，最大的數(shù)據(jù)數(shù)量為40 000例［17］。

AI技術(shù)在氣管導(dǎo)管定位中的研究數(shù)據(jù)還存在進(jìn)一步完善的空間。首先，缺乏多中心、多種族的大規(guī)模研究數(shù)據(jù)研究，尤其是在不同地域和不同種族背景下，AI模型的表現(xiàn)可能存在偏差，影響其普適性。其次，患兒的數(shù)據(jù)集相對(duì)匱乏，由于患兒的氣道解剖結(jié)構(gòu)與成年患者差異顯著，針對(duì)患兒氣管插管的AI模型仍需進(jìn)一步開(kāi)發(fā)和驗(yàn)證。最后，雖然已有部分研究基于胸部X線片和視頻喉鏡開(kāi)展，但公開(kāi)數(shù)據(jù)集的共享和開(kāi)放程度仍然較低，尤其是視頻喉鏡數(shù)據(jù)集較為稀缺，這無(wú)疑限制了相關(guān)研究的進(jìn)展和AI模型的優(yōu)化。隨著數(shù)據(jù)共享和多中心合作的推進(jìn)，未來(lái)有望緩解這些挑戰(zhàn)，提升AI在氣管導(dǎo)管定位中的應(yīng)用效果和臨床價(jià)值。

研究方法目前在氣管導(dǎo)管定位中，AI技術(shù)已廣泛應(yīng)用，尤其是在成年患者和患兒的氣道插管定位與評(píng)估中?；贏I技術(shù)的氣管導(dǎo)管定位方法主要包括目標(biāo)檢測(cè)、圖像分割、回歸任務(wù)和分類任務(wù)等。

在插管位置評(píng)估方面，AI技術(shù)主要通過(guò)回歸和分類任務(wù)來(lái)評(píng)估插管尖端的準(zhǔn)確性?；貧w任務(wù)側(cè)重于預(yù)測(cè)氣管導(dǎo)管尖端與隆突之間的距離，確保插管的精準(zhǔn)定位；而分類任務(wù)則著重于判斷插管是否正確，并根據(jù)插管深度進(jìn)行分類。Lakhani等［12］通過(guò)InceptionV3深度神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸任務(wù)，成功預(yù)測(cè)了導(dǎo)管與氣管分叉點(diǎn)的距離，驗(yàn)證了該模型在不同測(cè)試集中的一致性。Elaanba等［13］則利用遷移學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network, DCNN）實(shí)時(shí)檢測(cè)導(dǎo)管的異常位置，確保插管位置的正確性。對(duì)于分類任務(wù)，Tsai等［17］和Yuan等［18］也采用了深度學(xué)習(xí)模型進(jìn)行氣管導(dǎo)管位置的分類評(píng)估。尤其是基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型、VGG16、ResNet等模型，在實(shí)時(shí)檢測(cè)和評(píng)估插管位置的準(zhǔn)確性方面表現(xiàn)出色，能夠有效提高診斷效率和精度。

在成年患者插管位置定位方面，AI方法包括目標(biāo)檢測(cè)和圖像分割方法。目標(biāo)檢測(cè)方法，如Yolo-v3模型，已在胸部X線片中取得顯著進(jìn)展，能夠準(zhǔn)確標(biāo)記氣管導(dǎo)管和隆突的位置，計(jì)算導(dǎo)管與隆突之間的距離。相關(guān)研究[21-22，24]表明，Yolo-v3模型的測(cè)量誤差與放射科醫(yī)師相當(dāng)，證明了其在臨床應(yīng)用中的潛力。圖像分割方法，如Mask R-CNN模型，也被用于成年患者插管位置的自動(dòng)檢測(cè)。這些模型通過(guò)自動(dòng)分割圖像，識(shí)別氣管導(dǎo)管尖端與隆突的關(guān)系，取得與臨床醫(yī)師相當(dāng)甚至更優(yōu)的結(jié)果，提升插管定位的準(zhǔn)確性和效率。此外，U-net模型等也在自動(dòng)分割與分類任務(wù)中表現(xiàn)優(yōu)異，能夠有效降低定位錯(cuò)誤的風(fēng)險(xiǎn)，提升臨床操作的安全性[30-31]。

盡管AI技術(shù)在氣管導(dǎo)管定位中的相關(guān)研究取得了顯著進(jìn)展，但仍有一些方面需要改進(jìn)。首先，模型的可解釋性和可信性是當(dāng)前技術(shù)應(yīng)用中的關(guān)鍵問(wèn)題。雖然深度學(xué)習(xí)模型在插管定位中表現(xiàn)出色，但缺乏足夠的解釋性，這可能限制了其在臨床中的廣泛應(yīng)用。醫(yī)療領(lǐng)域需要對(duì)AI模型的決策過(guò)程有更清晰的了解，以便醫(yī)師能夠信任和有效利用這些工具。此外，偏見(jiàn)問(wèn)題也亟需解決，因?yàn)橛?xùn)練數(shù)據(jù)的偏差可能會(huì)導(dǎo)致AI模型在不同人群中的表現(xiàn)不一致，進(jìn)而影響其臨床決策的準(zhǔn)確性和公平性。因此，進(jìn)一步提高模型的可解釋性、可信性，并減少數(shù)據(jù)偏見(jiàn)，仍是AI技術(shù)在氣管導(dǎo)管定位中的發(fā)展方向。

成年患者和患兒氣管導(dǎo)管定位的對(duì)比AI技術(shù)在患兒和成年患者的氣管導(dǎo)管定位中表現(xiàn)出不同的應(yīng)用特點(diǎn)和挑戰(zhàn)?；純汉统赡昊颊叩暮粑到y(tǒng)結(jié)構(gòu)差異顯著，極大地增加了患兒氣管插管過(guò)程的復(fù)雜性，要求AI系統(tǒng)能夠處理更多可變的解剖特征?；跈C(jī)器學(xué)習(xí)和深度學(xué)習(xí)的系統(tǒng)在患兒氣管導(dǎo)管定位中取得了很高的準(zhǔn)確性，有效地輔助了醫(yī)護(hù)人員，提高了插管的成功率。然而，患兒插管數(shù)據(jù)的稀缺限制了這些模型的泛化能力，且其開(kāi)發(fā)和維護(hù)成本較高。相比之下，成年患者的氣管導(dǎo)管定位相對(duì)簡(jiǎn)單，給AI應(yīng)用帶來(lái)的挑戰(zhàn)較少。AI系統(tǒng)在成年患者插管定位中同樣表現(xiàn)出高精度和高效性，減少了誤插管的風(fēng)險(xiǎn)，提高了操作安全性和成功率。成年患者的解剖結(jié)構(gòu)相對(duì)穩(wěn)定，且數(shù)據(jù)量豐富，這使得模型的訓(xùn)練和優(yōu)化更為容易，從而增強(qiáng)了泛化能力。盡管成年患者插管的AI系統(tǒng)已經(jīng)較為成熟，但在一些極端情況下仍存在局限性，亟需進(jìn)一步驗(yàn)證。

總體而言，AI技術(shù)在患兒和成年患者氣管導(dǎo)管定位中的應(yīng)用具有顯著優(yōu)勢(shì)，包括提高預(yù)測(cè)準(zhǔn)確性、操作效率和安全性。然而，患兒插管的復(fù)雜性和數(shù)據(jù)稀缺給相關(guān)技術(shù)的開(kāi)發(fā)和應(yīng)用帶來(lái)了更大的挑戰(zhàn)。成年患者插管系統(tǒng)受益于數(shù)據(jù)豐富和結(jié)構(gòu)穩(wěn)定，但在極端情況下仍需進(jìn)一步改進(jìn)。

AI在臨床氣管導(dǎo)管定位中的潛在應(yīng)用

隨著AI和機(jī)器人技術(shù)的持續(xù)發(fā)展，智能化的氣管插管系統(tǒng)發(fā)生了重大轉(zhuǎn)變，顯示出巨大的臨床應(yīng)用潛力，為提高插管的安全性和成功率提供強(qiáng)有力的支持。

氣管導(dǎo)管精準(zhǔn)定位的優(yōu)化AI輔助圖像識(shí)別技術(shù)將大幅提升氣管插管的精準(zhǔn)度與實(shí)時(shí)導(dǎo)航能力。AI裝置結(jié)合喉鏡實(shí)時(shí)識(shí)別聲帶、會(huì)厭等關(guān)鍵解剖結(jié)構(gòu)，為醫(yī)師操作提供精準(zhǔn)導(dǎo)航輔助；AI裝置能夠精準(zhǔn)檢測(cè)氣管隆突等關(guān)鍵標(biāo)志，提高插管成功率。此外，AI裝置不僅依賴于視頻喉鏡和CRX數(shù)據(jù)，還可整合超聲圖像等多模態(tài)信息進(jìn)行導(dǎo)管位置識(shí)別，有效減少傳統(tǒng)聽(tīng)診法的滯后性誤差。通過(guò)多模態(tài)數(shù)據(jù)整合與實(shí)時(shí)分析，AI裝置能夠顯著提升氣管插管的精準(zhǔn)度，為麻醉科醫(yī)師提供更為精準(zhǔn)的動(dòng)態(tài)導(dǎo)航。

機(jī)器人輔助系統(tǒng)的突破機(jī)器人技術(shù)的引入將極大提升遠(yuǎn)程插管操作的自動(dòng)化與安全性。在遠(yuǎn)程操作方面，AI賦能的系統(tǒng)允許醫(yī)師遠(yuǎn)程操控插管，尤其適用于高危疾病患者或高風(fēng)險(xiǎn)場(chǎng)景，如乙肝病毒感染者的手術(shù)期間減少醫(yī)護(hù)感染風(fēng)險(xiǎn)。在自動(dòng)化嘗試方面，機(jī)器人內(nèi)窺鏡已在仿真人模型上成功實(shí)現(xiàn)自動(dòng)喉鏡成像，未來(lái)有望實(shí)現(xiàn)自動(dòng)插管，減少對(duì)人工經(jīng)驗(yàn)的依賴，提高氣管插管的準(zhǔn)確度。此外，在緊急救援場(chǎng)景中，遠(yuǎn)程機(jī)器人輔助插管系統(tǒng)（remote robot-assisted intubation system， RRAIS）能夠在模擬環(huán)境下的插管成功率顯著提升，為急救醫(yī)學(xué)與災(zāi)難醫(yī)學(xué)提供了一種自動(dòng)化、安全的全新解決方案。

臨床規(guī)培的革新AI技術(shù)的介入有助于對(duì)臨床醫(yī)師進(jìn)行科學(xué)培訓(xùn)。傳統(tǒng)的插管培訓(xùn)主要依賴導(dǎo)師示范與學(xué)員實(shí)操，但學(xué)習(xí)效果往往受個(gè)體經(jīng)驗(yàn)、培訓(xùn)資源和反饋機(jī)制限制。AI賦能的智能培訓(xùn)系統(tǒng)通過(guò)大數(shù)據(jù)分析學(xué)員的操作表現(xiàn)，實(shí)時(shí)調(diào)整訓(xùn)練難度，并針對(duì)不同經(jīng)驗(yàn)水平的醫(yī)師提供個(gè)性化學(xué)習(xí)方案。與此同時(shí)，AI指導(dǎo)的模擬訓(xùn)練設(shè)備結(jié)合實(shí)時(shí)可視化技術(shù)，有效彌補(bǔ)了傳統(tǒng)培訓(xùn)缺乏即時(shí)反饋的不足。通過(guò)3D解剖模型、增強(qiáng)現(xiàn)實(shí)和機(jī)器學(xué)習(xí)算法，系統(tǒng)將實(shí)時(shí)分析插管路徑，提供精確的導(dǎo)航輔助，幫助學(xué)員識(shí)別最佳插管角度和深度；自動(dòng)評(píng)估操作質(zhì)量，檢測(cè)是否誤入食管或單側(cè)支氣管，并給出具體的改進(jìn)建議；記錄并量化培訓(xùn)數(shù)據(jù)，生成個(gè)性化的學(xué)習(xí)報(bào)告，幫助學(xué)員直觀了解進(jìn)步情況，優(yōu)化訓(xùn)練策略。

AI技術(shù)的應(yīng)用正在引領(lǐng)氣管導(dǎo)管定位的深度變革，不僅提升了操作效率，還增強(qiáng)了患者的安全性和治療效果。AI 賦能的智能系統(tǒng)能夠根據(jù)患者的個(gè)體特征制定個(gè)性化管理方案，實(shí)現(xiàn)更精確、高效的醫(yī)療干預(yù)。隨著AI在困難氣道管理中的深入應(yīng)用，氣管插管過(guò)程將進(jìn)一步優(yōu)化，減少并發(fā)癥風(fēng)險(xiǎn)，改善治療效果，推動(dòng)插管技術(shù)從傳統(tǒng)經(jīng)驗(yàn)驅(qū)動(dòng)向智能化、數(shù)據(jù)驅(qū)動(dòng)模式轉(zhuǎn)型。未來(lái)，AI技術(shù)將在麻醉與急救醫(yī)學(xué)的發(fā)展中發(fā)揮重要作用，助力臨床實(shí)踐向標(biāo)準(zhǔn)化、精準(zhǔn)化方向邁進(jìn)。

小 結(jié)

現(xiàn)有研究在氣管導(dǎo)管定位中的AI應(yīng)用方面已取得一定進(jìn)展。氣管插管位置定位與氣管插管位置評(píng)估是兩個(gè)相對(duì)獨(dú)立的任務(wù)，研究重點(diǎn)主要集中在成年患者的插管位置定位、成年患者與患兒氣管插管位置評(píng)估，以及機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在困難氣道評(píng)估中的應(yīng)用等方面。與傳統(tǒng)人工評(píng)估方法相比，AI技術(shù)展現(xiàn)出推動(dòng)成年患者與患兒氣管導(dǎo)管定位方法變革性潛力。然而，現(xiàn)有研究也揭示了若干挑戰(zhàn)，包括數(shù)據(jù)類型和特征的復(fù)雜性、數(shù)據(jù)稀缺性、算法局限性以及模型可行性。總之，現(xiàn)有研究進(jìn)展不僅比較了成年患者和患兒兩大人群的氣管導(dǎo)管定位方法，還對(duì)AI技術(shù)介入氣管導(dǎo)管定位的應(yīng)用前景進(jìn)行了展望，為AI在氣道管理中的臨床應(yīng)用提供了一定的參考。

參考文獻(xiàn)略。

DOI:10.12089/jca.2025.12.014