人工智能在头颈部重建中的应用：从术前规划到术后管理的全面综述

《Oral and Maxillofacial Surgery Clinics of North America》：Artificial Intelligence in Head and Neck Reconstruction

　　

摘要 要点 •人工智能（AI）在术前虚拟手术规划、术中引导及高危重建患者预测方面具有潜在应用价值。 •卷积神经网络（CNNs）可实现肿瘤、颌面结构及供骨模型的自动化计算机断层扫描（CT）分割，从而加速虚拟手术规划（VSP）和患者专用器械设计。 •AI可辅助术中实时可视化，用于穿支定位、灌注评估及微血管吻合安全性判断，从而提高手术可预测性并缩短学习曲线。 •机器学习（ML）能够识别高危患者并预测术后并发症，从而实现重症监护及联合医疗团队的早期介入。 •在AI被常规整合至头颈部重建工作流程之前，仍需进一步的验证研究。 引言 头颈部重建是口腔颌面外科中的一个独特亚专科，涵盖一系列技术要求较高的手术，包括显微血管游离皮瓣移植、周围神经修复及复合组织同种异体移植。这些手术需要对解剖变异有全面的理解，并对硬组织和软组织进行精细的操作。成功的重建还依赖于精确恢复面部形态以保留患者的身份认同感和外观，以及恢复言语和咀嚼功能。 采用先进技术以优化手术效果、提高手术效率并促进术后康复，在口腔颌面外科领域已日益成熟，例如逐渐转向虚拟手术规划和患者专用器械。近期，人工智能（AI）在医疗保健领域的影响日益增长，并可能为头颈部重建领域带来更多益处。 AI是指计算机系统模拟人类智能某些方面的能力，包括推理、问题解决和决策。深度学习模型能够识别人类肉眼可能不易察觉的解剖复杂模式和特征。这一能力为自动化图像分割创造了新的机遇，使得能够勾画出感兴趣的结构，作为手术治疗规划的重要辅助手段。此外，AI还可能促进自动化虚拟手术规划（VSP）、患者专用器械的设计以及术中手术引导。 机器学习算法可以从现有数据中学习并通过模式识别生成预测，这使得AI成为风险分层以及预测手术结果和并发症的潜在宝贵工具。本文探讨了AI在头颈部重建的术前手术规划与优化、术中引导以及术后应用中的作用。

基于《人工智能在头颈部重建中的应用》一文的深度解读

一、研究背景与问题提出

头颈部重建是口腔颌面外科领域中技术要求极高的亚专科，涉及显微血管游离皮瓣移植、周围神经修复等复杂术式。成功重建不仅依赖对解剖变异的精准把握，还需兼顾面部形态、言语及咀嚼功能的恢复。传统手术规划高度依赖医师经验，存在耗时长、主观性强、重复性差等问题。例如，虚拟手术规划（VSP）中的手动分割颌面骨骼、肿瘤及供骨区域既费时又易受操作者偏差影响；金属伪影也会降低分割精度。此外，术中穿支血管定位、皮瓣灌注评估及微血管吻合质量判断均缺乏客观量化标准，而术后并发症预测多依赖传统统计学回归方法，难以处理非线性关系与小样本数据。因此，将人工智能（AI）引入头颈部重建全流程，旨在提升术前规划效率、提供术中客观指导、实现术后精准风险分层，最终优化手术预后。

二、研究方法与技术路线

研究人员围绕AI在头颈部重建中的应用，系统梳理了多项关键技术方法。主要技术包括：卷积神经网络（CNN）用于医学图像自动分割；U-Net架构用于个体化面部骨骼分割；深度卷积生成对抗网络（DCGAN）用于缺损下颌骨形态重建；统计形状模型（SSM）用于延迟上颌骨缺损的虚拟修复；超光谱成像（HSI）结合CNN用于术中肿瘤切缘评估；吲哚青绿（ICG）荧光血管造影结合监督式机器学习算法用于皮瓣灌注评估；以及多种机器学习模型（如人工神经网络、随机森林）用于术后并发症风险预测。部分研究使用了来自特定机构的回顾性临床数据集，例如来自224例口咽癌患者的PET/CT影像、来自3416例增强CT的颌骨肿瘤边界数据、来自89例患者的腓骨CT影像、来自837例患者的住院时长预测数据、以及来自4000例显微血管重建患者的数据集等。

三、研究结果

AI辅助术前手术规划

• •
  虚拟手术规划：研究表明，CNN可高效完成颌面骨骼、肿瘤及供骨的自动分割。Yang等人的初步研究显示，上颌骨和下颌骨分割的Dice相似系数（DSC）分别达92.4%和94.9%。Morita等人利用U-Net模型实现了下颌骨（DSC 98.4%）和颧骨（DSC 93.1%）的高精度分割。对于肿瘤分割，Warin等人的CNN模型在3416例CT扫描中取得DSC 0.98-0.99的成绩。Guo等人开发的自动化两阶段框架可在平均3分4秒内完成最优腓骨放置方案，优于传统工作流的29分钟，并在87%的病例中获得满意结果。
• •
  延迟颌面重建：针对解剖标志扭曲的延迟重建病例，Zhou等人开发的AI引导方法在模拟Brown II类上颌骨缺损中达到平均95百分位豪斯多夫距离（HD95）为5.47±2.39mm。Beyer等人开发的完全AI数字化工作流在下颌骨和颅骨分割中分别达到DSC 95.6%和96.5%。Liang等人使用DCGAN成功恢复了跨越中线的巨大下颌骨缺损形态。
• •
  软组织重建规划：Thariat等人开发的CNN算法实现了术后软组织皮瓣体积的自动量化，平均DSC为69%。Fathallah等人通过纳入罕见和挑战性病例，将平均DSC提升至74%，为预测皮瓣萎缩和放疗后变化提供了工具。
• •
  术后外观预测与患者教育：Du等人开发的深度学习模型可预测节段性下颌骨切除及腓骨重建后的面部轮廓，在414例患者中验证准确率达91.2%。

AI辅助术前优化

研究证实，机器学习模型在预测术后结局方面优于传统逻辑回归。Namavarian等人的多中心研究预测住院时长的准确率高达70%；Vollmer等人的模型预测延长住院时长的准确率达84.2%。Puladi等人开发的机器学习风险分层模型在预测输血需求方面获得高达0.825的受试者工作特征曲线下面积（AUC）。

AI辅助术中引导

• •
  软组织穿支定位：Pu等人将AI自动化皮肤穿支分割与增强现实（AR）结合，在26例腓骨皮瓣患者中，皮肤穿支分割总体预测准确率达92.8%。
• •
  术中肿瘤切缘评估：Boehm等人将HSI与CNN结合，在离体头颈部鳞状细胞癌标本中实现86%的肿瘤组织区分准确率，测量时间约12分钟。
• •
  术中皮瓣活力评估：Maktabi等人的CNN模型检测皮瓣灌注不良的敏感度为70%，特异度为76%。Singaravelu等人的监督式机器学习算法基于ICG荧光视频，在验证集中准确率超过99%。
• •
  微血管吻合评估：Umezawa等人开发的机器学习算法可从外视镜图像中实时识别动脉血栓、内膜损伤、碎屑及血管残端，有望提升吻合安全性。

AI辅助术后应用

• •
  术后皮瓣监测与临床决策支持：Kim等人开发的AI辅助监测系统结合CNN与深度学习，在305例患者图像中训练准确率达90%，智能手机应用试点流畅。Holm等人评估的大语言模型在30个模拟皮瓣危象场景中与资深显微外科医师的诊断和管理建议高度一致。
• •
  术后并发症预测：Asaad等人的机器学习模型预测总并发症率的性能评分为0.66，主要受区并发症为0.84，完全皮瓣丢失为0.98。Formeister等人的模型识别手术并发症风险因素的准确率达75%。Kuo等人的人工神经网络预测手术部位感染的AUC约为0.80。Zhou等人的随机森林模型预测感染准确率为0.866。Matar等人的机器学习模型预测放射性骨坏死的准确率为0.826，高于传统逻辑回归的0.739。Costantino等人开发的6种机器学习模型预测经皮内镜下胃造瘘（PEG）管依赖的AUC范围为0.75至0.87。
• •
  术后影像学监测：Wu等人开发的AI分割方法在44例骨性游离皮瓣重建患者的术后CT中，对上颅骨和下颌骨的分割分别达到DSC 95.21%和94.28%，HD95分别为0.59mm和0.37mm。

四、讨论与结论

总结讨论：AI是一项新兴技术，在优化头颈部重建预后方面潜力巨大。不同计算模型可改善术前规划、围手术期优化及术后护理。CNN能识别和解剖复杂模式，通过自动化分割肿瘤、颌面结构和供骨模型，简化VSP流程并助力患者专用器械制备。术中，这些模型可支持自动化血管分割，实现血管结构的实时可视化以指导软组织皮瓣设计。AI辅助识别显微吻合错误可提高精度并作为初级外科医生的学习工具。机器学习算法通过模式识别生成预测，支持手术风险分层以实现术前优化和高风险患者医院资源的合理分配。大语言模型（LLMs）能整合大量临床信息，在皮瓣血管危象期间可作为快速参考工具支持临床决策。

研究结论：经过进一步验证研究以完善AI系统后，AI整合的外科护理有望提升头颈部重建的精准度、可预测性和整体预后。