人工智能在血管外科的应用更新：从精准诊断到个性化治疗新进展

《Gef?sschirurgie》：Anwendungsfelder der künstlichen Intelligenz in der Gef??chirurgie – Ein Update

本文系统综述了人工智能(AI)在血管外科领域的最新进展，重点探讨了计算机视觉(CV)、机器学习(ML)和深度学习(DL)技术在主动脉瘤、外周动脉疾病(PAD)、颈动脉狭窄等疾病诊疗中的应用。研究表明，AI系统能够显著提升影像分析精度，实现个性化风险评估，并预测临床结局。同时，文章深入分析了欧盟《人工智能法案》(AI Act)对高风险医疗应用的监管框架，强调了安全性、透明度和可解释性的重要性，为AI在血管医学中的规范化应用提供了重要参考。

　　

随着人工智能技术的快速发展，血管外科领域正迎来一场数字化变革。传统的血管疾病诊疗过程中，医生需要面对海量的影像数据、复杂的解剖结构和个体化的治疗决策，这些挑战促使研究者寻求更智能的解决方案。特别是在主动脉瘤筛查、外周动脉疾病风险评估和颈动脉狭窄治疗等关键领域，精准化和个性化医疗需求日益迫切。

人工智能技术通过计算机视觉、自然语言处理和机器学习等方法，为这些挑战提供了新的解决思路。计算机视觉能够自动识别和分析医学影像中的特征，机器学习算法可以从大数据中挖掘有价值的规律，而深度学习则能处理更复杂的非线性关系。这些技术的结合应用，正在改变血管外科的传统诊疗模式。

为了系统评估AI技术在血管外科的应用现状，由德国血管外科和血管医学学会人工智能与数字转型委员会的专家团队开展了本次综述研究。研究人员检索了截至2025年的最新文献，重点关注AI在血管外科三大核心疾病领域（主动脉疾病、外周动脉疾病和颈动脉狭窄）的应用进展，同时对新出现的应用领域如分流手术等也进行了探讨。研究还特别关注了AI应用的监管框架和伦理考量，以确保技术的安全性和可靠性。

本研究主要采用了系统性文献综述方法，分析了包括多中心临床研究、随机对照试验和观察性研究在内的多种证据来源。关键技术方法包括深度学习算法（特别是卷积神经网络CNN）用于医学影像分析、机器学习模型（如XGBoost）用于风险预测、以及计算机视觉技术用于手术导航。研究数据来源于大型医疗数据库如NSQIP（国家外科质量改进计划）和VQI（血管质量计划），涉及患者样本量从数千到数万不等。

新进展：AI在主动脉瘤中的应用

在主动脉瘤领域，AI技术已贯穿整个诊疗流程。研究表明，深度学习模型能够全自动精确测量CT图像中的主动脉直径，与专家手动测量相比，中位偏差仅1.6mm。在术前规划方面，BRAVE系统能够进行血管分割并量化血栓和钙化情况，而Masuda等人开发的机器学习模型可以基于术前CTA数据高精度预测TEVAR术后内漏的发生。特别值得一提的是，Yang等人的研究显示，深度学习模型仅凭非增强CT图像就能以高灵敏度（AUC=0.951）识别内漏，这为肾功能不全患者提供了重要的替代方案。

AI在外周动脉疾病中的进展

AI在PAD中的应用已覆盖所有治疗阶段。基于NSQIP数据库包含21,886例患者的研究显示，XGBoost算法在预测30天主要不良肢体事件（MALE）方面显著优于逻辑回归（AUC 0.93 vs 0.72）。在后续的VQI数据库分析中，该算法在包含235,677例患者的队列中表现出色，术前、术中和术后的AUC值分别达到0.94、0.94和0.98。此外，研究还开发了能够按照GLASS（全球肢体解剖分期系统）标准自动分类血管造影图像的机器学习模型，正确分类率最高可达100%。

颈动脉狭窄治疗的AI进展

在颈动脉干预领域，一项日本试点研究评估了AI辅助手术系统（Neuro-Vascular Assist）在颈动脉支架成形术中的应用。该系统的计算机视觉算法能够识别透视中的血管内器械，并在器械离开目标区域或视野时发出警告，在6例手术中实现了82%的精度和94%的识别率。虽然样本量较小，但结果表明该系统功能可靠且易于使用。

其他血管医学领域的AI应用

在分流手术领域，Julkaew等人开发的DeepVAQ系统能够基于光体积描记传感器数据预测血液透析患者的血管通路质量，分类准确率达到92.1%。在慢性静脉功能不全治疗方面，Li等人基于VQI登记的33,924例病例开发了机器学习算法，能够预测静脉曲张消融术后一年缺乏临床获益的情况，XGBoost模型术前AUC达到0.94，术后达到0.97。

监管框架：欧盟人工智能法案

欧盟于2024年通过的《人工智能法案》为高风险医疗应用建立了具有约束力的法律框架。该法案将AI应用分为四个风险类别，其中医疗诊断、治疗规划和手术辅助系统被列为高风险，需要满足严格的监管要求。法案强调透明度、可解释性和数据保护，要求2027年8月前全面符合规定。

讨论与挑战

尽管AI在血管医学中展现出巨大潜力，但仍面临重要挑战。模型在独立队列中的验证不足是一个核心方法学问题，可能导致推广性能受限。伦理和法律问题，如责任归属、决策透明度和数据隐私保护等也需要进一步明确。此外，当前对大型语言模型（LLM）的过度关注可能使其他专门化AI方法被忽视。

为降低风险，研究者建议使用多样化和代表性的数据集，采用偏差检测工具，严格执行数据匿名化，并建立标准化的训练和评估框架。临床整合必须确保透明度、可解释性和可重复性，并始终保持"人在循环中"的控制原则。

研究表明，人工智能在血管外科领域具有显著的应用潜力，特别是在诊断精度提升、治疗个性化决策支持等方面表现出色。然而，技术的成功实施需要跨学科合作、持续的专业培训以及严格的监管合规。未来研究应当着重于解决模型验证、伦理规范和临床整合等关键问题，以确保AI技术能够安全、有效地服务于血管疾病患者。随着技术的不断成熟和监管框架的完善，人工智能有望成为血管外科医生的重要助手，共同推动血管医学领域的进步。