编辑推荐：
推荐阅读：本文综述 AI 在超声（US）诊断腕管综合征（CTS）中的应用，探讨其潜力与挑战。
# 人工智能赋能超声成像，助力腕管综合征精准诊断
腕管综合征：常见却棘手的神经疾病
腕管综合征（Carpal Tunnel Syndrome，CTS）是一种常见的神经卡压性疾病，在普通人群中的发病率约为 3 - 6%。它是由于正中神经在腕部的腕管内受到压迫而引发。从事重复性手腕活动的人群，以及患有糖尿病、类风湿关节炎等疾病的患者，患病风险更高。CTS 的典型症状包括手部和手指的疼痛、麻木、刺痛，尤其是拇指、食指、中指和部分无名指。患者还可能出现握力减弱、精细动作困难等问题，严重影响日常生活和工作能力。
目前，临床检查虽为诊断 CTS 的金标准，但超声（Ultrasound，US）凭借其独特优势，已成为重要的诊断工具。US 能无创地显示正中神经的形态，进行实时成像，在手腕运动时动态评估神经及周围结构。通过测量正中神经的横截面积（Cross - sectional Area，CSA），能有效辅助诊断 CTS，该指标灵敏度和特异性较高。不过，US 诊断也存在局限性，其准确性受操作者经验和设备差异影响，无法评估如颈椎神经根病等近端症状原因，在 CTS 早期还可能出现假阴性结果。
人工智能：医学影像领域的变革力量
人工智能（Artificial Intelligence，AI）正深刻改变着医学影像领域。它利用复杂计算方法分析医学图像，提取关键信息，辅助医疗决策。深度学习作为 AI 的重要分支，借助人工神经网络模拟人脑学习过程。其中，卷积神经网络（Convolutional Neural Networks，CNNs）擅长识别图像中的复杂模式和特征，在医学图像分析中表现出色，可对医学图像进行分类、识别病变，推动多个医学专科发展。
在 CTS 诊断方面，AI 有望实现 US 图像中正中神经的自动识别与测量，减少对主观、耗时的人工判读的依赖，提高诊断精度。AI 还能快速分析大量 US 图像，有助于早期发现 CTS，为患者争取更及时的治疗时机，改善预后。
研究方法：全面系统的文献检索与筛选
本研究依据 Arksey & O’Malley 框架和 PRISMA - ScR 指南，对截至 2025 年 1 月 1 日的 Embase、PubMed、IEEE Xplore 和 Scopus 四大电子数据库进行全面检索。检索词涵盖 “carpal tunnel syndrome”“median nerve compression”“artificial intelligence”“machine learning”“deep learning”“neural networks”“computer - aided diagnosis” 等相关术语。
检索后，首先去除重复文献，剩余 181 篇文章进入筛选环节。由两名独立评审员对文章标题和摘要进行筛选，39 篇文章进入全文评审。最终，排除与 AI 在 US 引导的 CTS 诊断中不相关的文章后，18 篇文章纳入本次综述。
研究成果：AI 在 CTS 诊断中的多元应用与出色表现
诊断、分类与神经追踪
多项研究利用深度学习模型实现 CTS 的自动诊断、严重程度评估和神经追踪。Shinohara 等人训练的 AI 模型，在 10000 张 US 图像（50 例 CTS 手腕和 50 例正常手腕）上达到了 95.9% 的准确率和 99.7% 的特异性。Lyu 等人使用随机森林模型结合放射组学特征评估 CTS 严重程度，训练数据准确率达 100%，测试数据准确率为 76.39% ，表明模型需更具泛化性的数据提升可靠性。
Waki 等人开发的 AI 模型利用视频数据集对 CTS 严重程度进行分类，自动分割正中神经，准确率达 75%。Peng 等人提出的全自动 CTS 诊断系统，结合神经分割和形态分析，准确率达 93.85%，灵敏度为 85.00%，特异性为 97.78%。
Tanaka 等人利用 YOLOv5 模型在动态超声图像中追踪正中神经运动，最佳模型的精度达 0.953，召回率为 0.956。Gujurati 等人使用基于 transformer 的模型识别超声视频中的正中神经，在手腕和前臂图像上的识别一致性分别接近 94% 和 84%。
正中神经分割与分类
AI 在 US 成像中自动识别和勾勒正中神经的应用日益广泛。6 项研究利用深度学习模型实现这一过程，部分 AI 能直接处理 US 图像，无需人工预处理，提高了效率。常用的 AI 模型包括 U - Net（7 项研究）、Mask R - CNN（3 项研究）和 DeepLabv3 +（2 项研究） 。
通过与专家手动分割对比，使用 Dice 相似系数（Dice Similarity Coefficient，DSC）和交并比（Intersection over Union，IoU）评估分割准确性。Yeh 等人使用改进的 SOLOv2 模型，DSC 高达 0.922，IoU 为 0.855 。此外，AI 还能自动测量正中神经的 CSA 等参数，Ando 等人研究显示，AI 测量与手动测量误差仅为 0.92mm2 ，一致性高达 0.97 。
放射组学在正中神经成像中的应用
放射组学是从医学图像中提取定量特征的先进技术，可分析神经结构。5 项研究将放射组学与机器学习模型结合。DeepNerve 能在动态 US 图像中自动识别正中神经，准确率达 99.7%，召回率为 91.19%，精度为 89.12% ，还能计算神经的多种特征。
Kim 等人利用 AI 分析肌肉 US 图像，聚焦于大小鱼际肌，性能评分达 0.89 ，提取 176 个特征。其他研究也展示了放射组学与机器学习结合在检测神经和肌肉特征方面的良好性能，评分在 0.908 - 0.926 之间。
与人类专家比较及临床转化潜力
Faeghi 等人的研究表明，使用放射组学特征的计算机辅助诊断（Computer - Aided Diagnosis，CAD）系统性能评分达 0.926，超过两位有 14 年经验的肌肉骨骼放射科医生（评分 0.658 - 0.736） 。
多项研究强调了 AI 在减少操作者依赖、提高时间效率方面的潜力，与神经传导研究（Nerve Conduction Studies，NCS）相比，AI 模型有望降低对 NCS 的依赖。但 AI 应用仍面临挑战，如解剖变异、需要更多样化的多中心数据集等。
讨论：AI 应用的前景与挑战并存
本综述展示了 AI 在 US 诊断 CTS 领域的巨大潜力。AI 可提高正中神经分割的准确性和效率，有助于早期诊断，减少神经损伤。其诊断准确性与经验丰富的放射科医生相当，能辅助临床决策，减少诊断误差。此外，AI 还可客观测量神经参数、分析神经运动，为 CTS 的全面评估提供新视角。
然而，AI 在 CTS 诊断中的应用也面临诸多挑战。数据集方面，需要大规模、多样化且标注良好的数据集，目前研究数据多集中于亚洲人群，限制了模型的泛化性。US 成像的操作者依赖性导致图像质量差异，影响模型训练，虽需标准化成像协议，但实施困难。
AI 算法的 “黑箱” 问题也亟待解决，开发可解释的 AI（Explainable AI，XAI）技术至关重要，这有助于建立临床信任，确保 AI 辅助决策的合理性。此外，还需关注伦理问题，包括保护患者隐私、减轻算法偏见、明确责任等，合理平衡 AI 辅助与人工监督，避免过度依赖 AI。
结论与展望：AI 助力 CTS 诊断的未来之路
AI，尤其是 CNNs 和 transformer 等深度学习模型，为 CTS 诊断带来了新的突破，在神经分割、参数测量、诊断准确性和严重程度分类等方面展现出良好前景。未来，集成诊断系统，将 AI 与其他成像方式结合，有望进一步提升诊断效能。
当前，CNNs 及其变体在 AI 应用中占主导地位，transformer - based 模型的关注度逐渐上升。诊断评估采用多种指标，反映了该领域的多维度特点。
为推动 AI 在 CTS 诊断中的广泛应用，未来研究应重点解决数据集局限性、模型泛化性和算法可解释性等问题。通过数据增强、合成数据生成等策略扩大和丰富数据集；开发 XAI 技术提高算法透明度；设计友好的用户界面促进临床应用。开展多中心、涉及多样化患者群体的研究，对验证模型性能、确保其广泛适用性至关重要。只有通过研究人员、临床医生和监管机构的共同努力，才能让 AI 在 CTS 诊断中发挥更大作用，改善患者的诊疗体验。
