人工智能赋能超声医学：从图像分析到临床决策的跨领域革新

《Medical & Biological Engineering & Computing》：Editorial: AI4US Special Issue

　　本特刊聚焦人工智能(AI)在超声(US)医学中的前沿应用，收录19篇经同行评审的高质量论文。研究主题涵盖二维/三维/四维分割、标准切面识别、疾病分类与预测等关键方向，旨在解决超声操作者依赖性高、图像质量变异大等临床挑战。这些成果通过创新AI模型（如扩散模型、Transformer、SAM-Med2D等）显著提升了心脏、血管、肝脏等器官的量化分析精度，为超声工作流程的标准化和智能化提供了重要技术支撑，推动了AI从研究向临床实践的转化。

　　

超声(UltraSound, US)以其实时、安全、便携且成本效益高的特点，成为临床实践中应用最广泛的医学影像技术之一。从大型医院到基层医疗机构，超声设备的身影无处不在，在心血管、产科、肿瘤学等多个诊断领域发挥着核心作用。然而，这片繁荣图景的背后隐藏着不容忽视的挑战：超声检查高度依赖操作者的经验，探头位置、手法以及患者个体差异都会显著影响图像质量与一致性。此外，超声图像固有的斑点噪声、声影伪影以及组织对比度低等问题，常常使得关键解剖结构模糊难辨，给定量分析和诊断重复性带来了巨大困难。

为了攻克这些临床痛点，人工智能(Artificial Intelligence, AI)技术正以前所未有的速度融入超声领域。通过引入更强的鲁棒性、标准化流程和智能辅助决策，AI有望降低人为变异、提升诊断信心，并让基于超声的精准医疗惠及更广泛的人群。在此背景下，《Medical & Biological Engineering & Computing》期刊推出了“AI4US”特刊，旨在汇集反映这一变革趋势的最新研究成果。该特刊从50篇投稿中遴选了19篇高质量论文，涵盖了从方法论创新到临床转化的广阔光谱，为我们勾勒出AI赋能超声医学的清晰未来。

在技术方法上，本特刊的研究主要依托于先进的深度学习架构。研究人员构建了多种专用神经网络模型，如基于扩散模型的EchoSegDiff用于左心室分割、集成多尺度信息和多样化提示的SAM-Med2D改进框架、采用隐式解码的SAID-Net处理超声序列。同时，半监督学习策略被用于利用未标注数据提升模型性能，坐标编码网络(ACE-Net)则优化了血管结构的描绘。研究数据来源多样，包括临床采集的超声心动图序列、胎儿超声标准切面、乳腺超声计算机断层扫描(Computed Tomography, CT)图像、术中三维超声体积数据等。

二维分割：提升量化分析可重复性的基石

二维分割是众多研究的焦点，因其是实现超声图像量化分析可重复的第一步。在心脏领域，Tian等人开发的EchoSegDiff利用扩散模型捕捉心脏运动的复杂性，实现了左心室的精准勾勒。Wu等人则对大型视觉模型SAM-Med2D进行改造，通过整合多尺度信息和多样化提示，不仅提升了分割精度，还实现了可靠的左心室射血分数(Left Ventricular Ejection Fraction, LVEF)估计。另一项由Wu等人完成的工作SAID-Net，将Segment Anything Model与隐式解码相结合，为跨时间帧的心脏结构分割提供了一个更通用的框架。Li提出的M4S-Net则是一种运动增强、形状感知的半监督网络，它利用超声心动图视频中的时间连贯性来改善分割效果。

超越心脏，研究触角延伸至其他复杂解剖结构。Al-Hammuri等人利用Transformer架构应对舌部的高度可变形态，其成果对吞咽和言语评估具有重要意义。在血管成像方面，Farola Barata等人引入的坐标编码策略(ACE-Net)改善了血管结构的描绘，支持冠状动脉疾病的表征。乳腺成像也是重要主题，Dar和Ganivada的研究优化了常规乳腺超声中的病灶分割，而Liu等人的工作则增强了超声计算机断层扫描中乳腺病灶的分析能力，为AI支持乳腺癌早期精准诊断提供了互补视角。

三维与四维分割：迎接体积与动态分析挑战

面对更复杂的三维(3D)和四维(4D, 3D+时间)分割任务，本特刊也收录了卓越贡献。Shen等人提出了一个基于深度学习的框架，用于大器官的高精度三维超声成像，解决了体积分析固有的可扩展性和准确性难题。在血管领域，Nievergeld等人实现了动脉瘤和血栓的自动勾勒，为风险患者的可靠监测铺平了道路。类似地，Takahashi等人通过改进复杂肝脏血管网络的提取，推动了肝脏分析的发展，这对于诊断和术前规划至关重要。转向动态结构分析，Munafò等人展示了半监督学习如何实现时间帧上心脏瓣膜的准确、一致分割。

标准切面检测与疾病分类：智能辅助诊断的核心

除了分割，特刊还关注其他关键任务。在母胎医学中，标准切面检测对于常规筛查和异常检测至关重要。Testi等人探讨了如何将机器学习模型操作化用于胎儿超声切面分类，强调了鲁棒性和部署考量。互补地，Chen等人引入了一个高效且具有不确定性感知能力的框架，用于识别胎儿超声心动图标准切面。

在疾病分类、预测和临床决策支持方面，研究同样成果丰硕。Huang等人结合深度学习和应变分析，实现了亚临床心房颤动的早期预测。肝脏是另一个创新重点，Wei等人提出了一个多模态定量超声框架，能够并行评估多种肝脏状况（如纤维化、炎症和脂肪变），而Chattopadhyay等人则引入了双分支全局-局部架构用于非酒精性脂肪性肝炎(Nonalcoholic Steatohepatitis, NASH)的检测。拓展至肿瘤应用，He等人研究了分辨率感知神经网络对肾脏肿瘤超声图像分类性能的影响。最后，在手术导航方面，Li等人为微创脊柱手术提出了一种混合学习策略，其中精确的解剖结构重现对于导航至关重要。

本特刊的编辑之一，Maria Chiara Fiorentino博士，其研究经历正是这一领域的缩影。她的博士论文“DL4US: 释放深度学习在妇科和风湿病学超声图像分析中的潜力”因其杰出贡献而被意大利国家生物工程组评为最佳意大利博士论文之一。目前她在安科纳理工大学从事博士后研究，专注于用于诊断和治疗的医学数据AI分析方法，并与包括超声成像系统领先企业Esaote S.p.A.在内的多家机构保持密切合作。

另一位编辑Selene Tomassini博士，目前是特伦托大学的助理教授，她的研究重点是利用深度学习进行医学图像分析以支持放射学工作流。她已发表30余篇国际同行评审论文，并担任《Scientific Reports》的编辑。

特刊的第三位编辑Sara Moccia教授的经历则体现了该领域的国际化和跨学科特点。她曾在德国癌症研究中心进行博士研究，现任“G. d'Annunzio”大学副教授，其研究目标是解锁深度学习在临床和手术工作流中的实时支持潜力。她获得了多项荣誉，并主导着包括欧盟项目在内的多项研究。

综上所述，本特刊所展示的研究成果清晰地表明，人工智能正在深度重塑超声医学的实践方式。通过解决从图像分割、标准切面识别到疾病分类和手术导航等一系列关键问题，这些研究不仅提供了先进的技术工具，更重要的是，它们架起了技术创新与临床专业知识之间的桥梁。编辑们强调，此类汇集前沿方法的平台，经过在真实医疗环境中的严格评估和情境化，能够促进跨学科对话，并加速人工智能向临床实践的转化。确保人工智能在超声领域的进步不局限于实验室，而是持续塑造临床护理中可及、可靠且以患者为中心的解决方案，这些努力至关重要。未来，随着更多高质量数据的积累、算法效率的进一步提升以及与临床工作流的无缝集成，AI有望成为超声医师不可或缺的智能伙伴，共同推动精准医疗的发展。