2024计算机视觉在麻醉学中的应用进展.pdf

2024计算机视觉在麻醉学中的应用进展

计算机视觉(computervision,CV)技术已广泛应用于医学诊断和

治疗各个领域。近年来，传统CV方法和深度学习算法不断进步，并

开始在麻醉学领域投入应用。麻醉医师在围手术期需要根据不同医学

图像和生理参数等进行临床决策，这对于保障患者安全和手术效果至

关重要。但是，传统依赖主观判断的方法存在—定的局限性。CV通

过分析医学图像可实现自动检测和识别，为麻醉医师提供有效支持。

本文系统探讨了CV在麻醉学领域的应用进展，包括但不限于气道管

理神经阻滞与穿刺及麻醉深度（depthofanesthesia,DoA)

监测；

为了提供—个全面的视角，还将深入讨论CV在医学应用中所面临的

关键问题和挑战这些挑战涵盖数据质量、标注不足、算法泛化能力、

解释性和可靠性等多个方面。本文通过综合评述这些应用和挑战，旨

在为CV在麻醉学的研究和临床应用进行综述。

1CV的原理和任务

CV通过模拟人类视觉系统帮助计算机理解和解释数字图像和视频

容，以图像获取、预处理、特征提取、模型训练和测试为基本流程。

分为传统CV方法和深度学习算法（表11传统CV方法依

CV主要

赖人工设计和选择特征，利用经典的机器学习算法进行模型训练，如

支持向量机、随机森林、K近邻等，计算量较小，适合处理小规模和

低维度数据，但由于特征依赖于人工经验和领域知识，可能无法充分

表达图像的复杂性和多样性。深度学习算法则使用多层神经网络自动

学习特征，并进行端到端的模型训练，如卷积神经网络

(convolutionalneuralnetworks,CNN入循环神经网络、长短期

记忆网络等，可以自适应地从数据中学习特征，捕捉图像高层语义信

息和抽象表示，且特征提取和模型训练是统—的，可进行联合优化。

但这也需要大量且精准的标注数据和强大的算力支持。

2CV在麻醉学的应用

近年来，CV在医学领域得到了广泛的应用。在临床麻醉中，CV可

以辅助麻醉医师进行气道管理、神经阻滞和穿刺、DoA监测以及麻

醉及围手术期并发症预警等，提高麻醉的安全性和效率。

2.1气道评估

传统的气道评估常用指标包括Mallampati评分、CormackLehane

分类等）依赖于临床医师的主观判断和经验。对困难气道的检测不足

会导致严重的并发症，甚至死亡。CV可对这些指标进行客观化和量

化。目前，Zhang等提出采用—种基于人工智能的图像分析算法来

分析患者图像，对Mallampati评分进行自动化。Aguilar等将

Mallampati评分分为高风险和低风险两类，以提高气道评估的准确

性，减少插管并发症。Cuendet等提出了完全自动和非侵入性的困

难气道检测系统，通过收集患者照片、视频和基础数据，学习面部统

计模型来提供面部形态的自动参数化，使用随机森林算法提供的重要

性排名选择最具有区分性的形态特征，并使用这些特征训练分类器，

以检测与困难气道相关的形态特征从而提高其预测能力。Hayasaka

NN

等介绍的基于C的人工智能模型能够通过分析侧拍仰卧位闭口人

脸图像来预测患者的困难气道风险。

2.2建立和维持人工气道

气管插管是—项技术要求高、风险性大的操作，误操作可能导致气道

损伤、误吸、氧饱和度降低等并发症。在建立和维持气道的过程中，

CV可以辅助麻醉医师。例如，Carlson等使用CV来指导和监控气

管插管过程。通过使用深度学习算法，从内镜图像中自动识别声门裂

隙，从而实时反馈插管位置和深度，提高气管插管成功率。Biro