基于人工智能的床旁超声实时自动化评估胃窦横截面积与运动节律：一项优化危重患者胃肠功能管理的创新研究

针对危重患者胃肠功能障碍评估依赖耗时的手动测量问题，四川大学华西医院团队开发了基于Swin-UNet深度学习模型的AI系统，通过分析907例超声视频（63,883帧图像），实现了胃窦横截面积（CSA）自动识别（mDice 87.36%）和运动节律曲线生成，与专家评估一致性达ICC 0.813。该系统为动态监测胃肠动力表型（如规则运动、微弱运动等）提供了新工具，有望优化肠内营养（EN）方案。

　　

在重症监护领域，高达70%的危重患者会出现胃肠功能障碍，表现为胃肠动力节律紊乱。这不仅影响肠内营养（EN）的实施，还会增加误吸风险、延长机械通气时间，最终恶化患者预后。目前临床常用的胃肠功能评估方法如胃残余量（GRV）测量、腹胀等症状观察，存在主观性强、操作依赖经验等问题。虽然床旁超声可通过胃窦横截面积（CSA）评估胃容量，但传统手动勾画边界的方法效率低下，且难以动态捕捉胃窦收缩舒张的运动节律特征。

针对这一临床痛点，四川大学华西医院重症医学科联合可视化诊疗与人工智能实验室，开展了一项开创性研究。团队开发了基于深度卷积神经网络（DCNN）的人工智能系统，首次实现床旁超声视频中胃窦区域的实时自动识别、CSA精确测量以及运动节律曲线生成。这项突破性成果发表于《Scientific Reports》，为危重患者胃肠功能动态监测提供了智能化解决方案。

研究团队采用多阶段技术路线：首先前瞻性收集2022-2023年间907例超声视频（620例患者+287例健康志愿者），通过专业标注软件LabelMe构建包含49,240训练图像的数据库；随后对比测试视觉注意力网络（VAN）、统一感知解析网络（UPerNet）和Swin-UNet三种算法，最终选择在mDice（87.36%）和mIOU（77.56%）指标表现最优的Swin-UNet架构；该系统采用两阶段设计——先定位分割胃窦区域，后计算CSA并生成运动曲线；验证阶段通过12,309张内部验证图像和105段外部视频评估性能。

研究结果展现出三大创新发现：

1. 图像识别性能：在内部验证集达到mDice 87.36%/mIOU 77.56%，外部验证集保持86.82%/76.26%的高精度，与资深医师的测量一致性ICC达0.813（95%CI 0.728-0.871）。
2. 视频动态分析：系统处理速度达70ms/帧，在105段测试视频中实现mDice 90.23%、mIOU 85.16%，可实时生成6分钟胃窦运动曲线。
3. 动力表型分类：首次通过AI识别出规则正弦波（MI>0.8）、近似直线波（MI=0）、交替直线-正锯齿波等胃窦运动表型，对应空腹、餐后、运动后等不同生理状态。

开发的智能监测系统整合QT框架和OpenCV技术，支持实时视频流分析，可自动计算运动指数（MI=收缩频率ACF×振幅ACA）。在配置Intel i7-1370处理器和NVIDIA GTX 1660显卡的平台上稳定运行，临床适用性强。

在讨论环节，研究者指出该系统的三大临床价值：一是突破传统单帧静态测量的局限，实现胃窦收缩频率、幅度、节律的全维度评估；二是通过自动化分析减轻医师工作量，减少操作者依赖性；三是为建立危重患者胃肠动力障碍的客观分型标准奠定基础。不过研究也存在一定局限，如对胃内积气导致的边界模糊敏感，且6分钟监测时长对呼吸、体位等因素的调控仍需优化。

这项研究标志着AI在重症超声领域的重要突破。通过将Transformer架构与U-Net相结合的Swin-UNet模型，系统兼具全局上下文建模和局部边界细化能力，其分层窗口注意力机制特别适合处理超声图像的多尺度特征。未来随着更多异质性数据的加入，该系统有望成为危重患者胃肠功能"数字表型"分析的核心工具，为个体化EN方案制定提供客观依据。团队已着手扩大样本量至2000+视频，将进一步探索不同运动表型与临床结局的关联，推动重症胃肠监测进入智能化时代。