外周神经超声影像AI辅助分析系统的优化、效果评价及成果转化

20241222

在规范、严格的研究流程框架内，对外周神经超声影像数据库内的神经图像进行描迹、分割、建立深度卷积神经网络模型。生成临床常用区域阻滞部位的周围神经超声影像辅助分析系统模型，并对模型精度进行校验。 1.建立规范的研究流程 项目严格按照涉及人的研究规定实施，项目立项完整，项目开始前通过伦理审查，进行研究注册，所有被采集图像参与者需签署知情同意书。 2. 建立常用入路神经超声影像数据库 采用标准超声扫查方法获取动静态影像，在标准截面标记多个目标，除进一步提高识别正确率外，还能识别重要的临近结构，以减少损伤。本次研究由熟练掌握此技术的医生负责采集影响，通过目标神经与周围标志性结构特征明确神经来源，选取超声影像清晰部位保存图像，之后将每张图像中目标神经所在的位置进行标记，将原始图像和标记后的图像保存建立数据库。进入数据库的图像需经过双人质检，合格后方可进入数据库。根据扫描水平、影像质量等分类，记录有无解剖变异，从而建立高质量影像数据库用于大数据分析和模型的建立。 3. 建立深度卷积神经网络模型 深度学习是模拟人类处理事务的一种计算机处理模式，即把人脑的思维、学习、理解和分析方式移植到网络模型上，使得计算机具有部分自主解决问题和学习能力，从而学习人类医生的经验。为了达到这一目的，采用直接模拟“人”的方式入手，卷积神经网络就是一种最能从理论上模拟“人”在处理视觉问题的深度学习方式，其模拟人类大脑和视觉系统机理，把人类医生在实践程中的分析过程和判断结果放入计算机中，模拟人类医生在进行医学图像读图识图时的过程，从而得出接近人类医生判断结论的学习方式。本次研究通过将给定入路的神经超声影像输入计算机，包括原始图像和人工标记图像，使用图像处理、分层特征提取等方式，一步一步模拟出人类医生分析图像的过程，从而识别出目标神经所在位置。通过不断积累超声影像数据库，优化卷积神经网络模型，提高识别准确率和识别速度，期望生成基于深度卷积神经网络技术的超声影像辅助识别系统。此系统可对超声使用者辨识目标结构提供参考和辅助，从而缩短学习曲线，帮助其更加安全有效地实施临床操作。 4.生成常用区域阻滞入路神经超声影像辅助分析系统并进行效果分析 影像识别模型，本质上是一种算法逻辑，比如如何分割图像，如何重构等等，卷积神经网络是实现该算法逻辑的一种高效高精度的实现方式。网络模型的优化，实际上是对网络各层每个神经元对应的系数通过训练不断进行迭代和调优，使其能够最好地完成处理任务。也就是说使用同一个网络模型开始训练，采用不同的训练集，不同的图像增强处理方式，不同的训练参数，所得最终结果都会不同，其中训练集的质量是影响训练结果最为重要的因素。因此未来要分析数据集、网络模型与影像识别的关系，并应用生成神经超声影像辅助分析系统识别图像，与临床经验丰富的医生识别的结果进行比较，判断所构建的系统的效果。

本项目最终形成的成果形式将会是关于中国人外周神经超声影像学大数据库，以及基于此大数据库深度学习而成的人工智能辅助识别系统。这项成果可以帮助中国广大的麻醉科医生以及疼痛科医生，大大缩减超声引导下外周神经阻滞操作的学习门槛，同时使他们的学习周期大幅度缩减，更快的掌握该技术。对于患者而言，也可以充分享受医学科学技术的进步带来的红利，获得更加安全、有效、经济的医疗服务。 本项研究主要应用方向为可视化教学与智能麻醉穿刺（以区域阻滞麻醉穿刺为主）。区域阻滞麻醉在我国临床已广泛开展，年实施量达到1000万次以上。目前我国外科手术数量仍然保持7%的年增长率，而随着超声引导作为一种可视化技术应用于区域阻滞穿刺成为临床技术发展趋势，相关技术可能在近年内从三甲医院到二、三级医院迅速普及。在外科手术中单独或联合使用超声引导下麻醉穿刺已经逐渐成为麻醉常规操作。相应的专科专用超声设备也正在麻醉、疼痛等科室中积极实施着市场部署。据第三方调研数据显示，2020年中国目前POC超声市场规模达到了125亿元，而目前中国已注册麻醉医生仅有约9万人，从业人员缺口巨大，麻醉医生日常工作压力极大。一项好的外周神经超声影像AI辅助分析系统可以最大程度降低麻醉医生的专业技能学习成本，有助于帮助医生掌握超声引导下麻醉穿刺这项技能，让更多的患者享受到医学技术进步的红利。 外周神经超声影像AI辅助分析系统脱胎于北京积水潭医院麻醉科的智能麻醉穿刺机器人项目，是智能麻醉穿刺机器人的重要组成部分。我们分别在2019年度、2020年度的中华医学会全国麻醉学术年会上进行过初步展示，同时也在2021年北京医学会麻醉学术年会上进行了专题介绍，并提供了分析系统与教学系统DEMO展示。3年来利用人工智能学习并分析外周神经超声影像的概念已经得到了全国众多麻醉医生的认可。本次项目申请的合作单位“无锡艾米特智能医疗科技有限公司”前期已与北京积水潭医院就项目后续转化达成一致，优先接收本次项目研发产生的相关知识产权的转移或授权。同时项目组目前已经与中国医学科学院肿瘤医院、上海市第十人民医院达成初步意向，就后续产品优化及教学系统的推广进行合作。由此可见外周神经超声影像AI辅助分析系统是可视化智能麻醉穿刺的一项重大革新，该研究对我国临床穿刺技术是一项重要的提升，并且这项研究将为最终全自动智能穿刺机器人技术奠定坚实的前期研究基础。 外周神经超声影像教学系统，目前样品已完成生产，包括安装在移动设备的软件版及网页版，可以完成常见外周神经超声图像的识别与考核功能，已在2022年北京市医学会麻醉学分年会展示，获得参会麻醉同道关注。同时，该系统也用于科室进修医生培训，辅助教学，同时根据学员反馈，不断改善系统功能。

在前期的研究中，我们已经建立了肌间沟臂丛神经超声影像数据库，并初步测试图像分割算法建立了深度卷积神经网络模型，生成肌间沟臂丛神经超声影像辅助分析系统。,在前期的研究中，我们已经建立了肌间沟臂丛神经超声影像数据库，并初步测试图像分割算法建立了深度卷积神经网络模型，生成肌间沟臂丛神经超声影像辅助分析系统。首先完成的工作是获取不同水平肌间沟超声影像，同时由具有丰富超声引导下神经阻滞经验的医师（从事相关专业10年以上、临床操作神经阻滞1万例）组成的专家小组标记目标神经所在间隙（而不是神经本身，主要给予初期采用单一目标识别可提高成功率的考虑）。将这些标记数据集的80%作为训练集，用于训练卷积神经网络模型，20%用于训练时的验证，用于从训练时产生的大量模型中挑选效果更好的模型，并对模型参数进行优化。基于之前的模型和我们采集的训练集的样本，产生的模型在测试集上识别正确率优秀。 图像识别系统识别结果的评价主要指标为交并比，即IoU的数值。一般情况下，当Iou大于0.5认为识别效果可接受，大于0.75则为优秀。本项目组肌间沟臂丛神经智能识别模型的测试结果，目标神经区域（N）的IoU达到了0.8587，锁骨下动脉（SA）的IoU也超过了0.75。目前已完成肌间沟入路和锁骨上入路的AI模型训练并验收，肌间沟入路模型最终验收得分70.82分，锁骨上入路得分75.46分，均达到验收标准经医生对软件进行试用，并对AI模型识别效果进行打分，肌间沟模型得分85.25分，锁骨上入路84.25分。 项目组超声引导神经阻滞AI教学系统已经制作完成。学员可以通过任何可以连接互联网的电脑、平板设备，登录相应的网址，注册成功后即可顺利使用该系统。该系统的适用、广泛性已经得到极大的提高。并且在使用的过程中不受场地的限制。目前该系统可以允许多人同时在线学习、考核。成功举办百人同时线上竞赛1次。完成北京市医管局住院医师规范化培训探索课题1项，申请北京市医管局住院医师规范化培训推广课题1项。参加北京大学医学部麻醉学系第一届青年教师教学比赛三等奖。

我国目前有注册麻醉医师不足10万人，而从2015年开始每年外科手术量以7%左右的增长率快速增长，目前每年区域阻滞例数近1000万例，随着广大人民群众对医疗舒适度尤其是镇痛需求的不断增长，区域阻滞阻滞无论在数量还是在质量上，增长需求都是十分旺盛的。虽然随着超声的使用，外周区域阻滞技术得到了极大的普及，但仍然存在麻醉医生对该技术学习周期长，掌握情况不理想等问题。所以能够降低医生学习门槛，缩短学习周期的技术，对于我国广大麻醉医生来说是十分必要的。 学习超声引导下区域阻滞的传统方法为通过阅读专业书籍、网络资源，掌握基本解剖和超声操作方法后，自行练习。由于不同的超声操作技巧和探头扫查位置会导致图像千差万别，自学者往往难以扫查到理想图像并予以识别。在有丰富超声引导区域阻滞的医院进修，接受专业老师的指导，是目前学习的捷径。进修教学基地的招生规模限制了受众数量，进修学习必须在手术室内床旁进行，又从空间和时间上限制了学习的便捷性。 从本单位情况看，北京积水潭医院麻醉科每年麻醉医生的净增长率约为2%，但医院自2012年来先后开设了北京积水潭医院回龙观院区、北京积水潭医院新龙泽院区，同时于外省市共建了合作医院。这使得我院麻醉医生持续保持净流出状态，而同期，我院整体手术量仍维持稳定上涨趋势，导致麻醉医生工作强度上升，同时培训成本相对上升。2009年，我院麻醉科需要1个月共300例外周神经阻滞学习来完成对一个年轻医生的培训，但现在往往需要3个月-6个月才能完成基础培训。 从全国范围内的面和本单位的点来看，可以帮助麻醉医生进行超声引导下区域阻滞学习的方法和技术十分亟需。无法在教师指导下完成大量床旁操作，积累经验的情况下，可以帮助麻醉医生识别超声图像的设备可以有效助力医生学习和成长。,项目产出的产品将从提高麻醉医生学习超声影像效率、辅助识别超声影像结构、辅助穿刺三方面，助力超声引导下区域阻滞的实施与普及。我国手术量逐年增加，尤其依赖于区域阻滞的日间手术数量增加，使区域阻滞需求不断增加，为本项目提供了良好的前景。 本项目首次将卷积神经网络理论用于外周神经超声影像图像识别研发。卷积神经网络需要精确的图像识别策略和大量高质量神经超声影像图片。