SAPB-Net：超声引导下前锯肌平面阻滞实时解剖分割人工智能模型的开发与验证

《BMC Anesthesiology》：Accurate segmentation of the serratus anterior muscle by artificial intelligence during ultrasound-guided serratus anterior plane block: an observational study

　　

摘要

背景

准确通过超声识别前锯肌（SAM）及其周围关键解剖结构，是实现安全有效的前锯肌平面阻滞（SAPB）的关键。反之，识别错误可能导致阻滞失败或严重并发症，如气胸。本研究旨在开发一种新型人工智能（AI）模型SAPB-Net，以实现对SAPB超声图像中解剖结构的准确实时分割。

方法

在本研究中，麻醉医师使用高频线阵超声探头沿腋中线扫描前锯肌并获取视频记录。从视频中提取静态图像，并由经验丰富的麻醉医师手动标注前锯肌、肺和肋骨。随后，利用人工智能深度学习技术，以这些标注图像为训练数据开发SAPB-Net模型。为评估SAPB-Net在智能分割前锯肌及其周围关键结构方面的性能，采用Wilcoxon符号秩检验与基线UNet模型进行统计比较，P值小于0.05被认为具有统计学意义。

结果

共从167例患者中获得2310幅标注超声图像。前锯肌、肺和肋骨的交并比（IoU）和Dice系数分别为76.75%和86.85%；86.25%和92.62%；以及80.23%和89.03%。此外，这些结构的分割准确率分别达到92.56%、91.49%和90.78%。边界距离和表面距离指标也表明与手动标注高度吻合。与基线UNet模型相比，SAPB-Net在所有指标上均表现出具有统计学意义的提升，平均交并比（mIoU）增加1.62%至84.67%，平均像素准确率（mPA）增加1.30%至93.63%，准确率增加0.51%至95.54%，Dice系数增加0.59%至91.57%（所有P < 0.001）。SAPB-Net的处理速度达到每秒38.40帧（fps），有助于在超声引导下SAPB操作过程中实现解剖结构的实时识别。

结论

SAPB-Net展现出对前锯肌及其周围结构的准确分割能力，具有稳定的量化性能和实时处理能力，表明其在超声引导下SAPB操作中辅助解剖识别方面具有应用潜力。

临床试验注册

已在中国临床试验注册中心注册（ChiCTR2300076361），注册日期：2023-10-07。