珍稀动物保护日
珍爱动物 人人有责
珍稀动物保护日
珍爱动物 人人有责
微信号：135editor
新浪微博：@135编辑器
冬日微醺
微 信 号：135editor
新浪微博：@135编辑器
微信号：135editor
新浪微博：@135编辑器
人工智能在气管导管定位中的应用进展
陈艺宁1 赵青1 李建强1 宋长伟1 白净1 王晟2
1北京工业大学计算机学院
2首都医科大学附属北京安贞医院麻醉中心
通信作者：王晟
Email: shengwang@mail.ccmu.edu.cn
基金项目：国家自然科学基金联合基金项目（U20A2018）；北京卫健委高层次公共卫生技术人才建设项目培养计划（领军人才03-10）
【摘要】气管插管作为临床麻醉、急救及重症监护中的关键操作，其成功率直接影响患者生命安全和手术效果。其中，气管导管的正确定位是决定插管成功的核心。然而，传统插管技术高度依赖操作者临床经验，存在主观性强、标准化程度低及操作难度大等问题，易引发插管失败或导管异位等不良事件。此外，成年患者与婴幼儿患者的呼吸系统结构存在显著差异，使得插管定位方法各异。近年来，人工智能（AI）技术在气道管理中的应用为插管定位提供了创新性解决方案。基于大数据分析和深度学习算法，AI技术可有效规避人为操作误差，提高气管导管定位的客观性和准确性。本文系统综述近5年AI在气道导管定位的研究进展，深入剖析AI于插管评估和定位实践中的应用技术路径。同时，通过多维度分析当前AI在临床应用中面临的技术瓶颈与挑战，结合行业发展趋势对其未来发展方向进行探讨，为推动AI在气道管理中的临床应用提供参考。
【关键词】气管导管定位；人工智能；气管插管评估；深度学习
气管插管是临床麻醉、急救及重症监护中维持气道通畅和有效通气的关键操作，导管的正确定位是其成功的核心。成年患者气管插管理想位置为气管管尖，位于隆突上方2～5 cm处；新生儿及婴幼儿因解剖特殊性，需控制在隆突上方0.2～2.0 cm处［1］。气管导管置入过深易致低氧血症等并发症［2］，过浅则可能引发意外拔管，增加再插管风险，进而导致缺氧性脑损伤甚至死亡［3］。多次插管还与气道损伤、瘢痕及肺部感染等并发症相关［4］。因此，正确精准的气管插管位置至关重要。目前，气管导管定位主要依靠临床医师的经验判断［4］，准确性受限，尤其在颈椎损伤、肥胖等特殊患者中，易出现定位偏差和插管失败，导致缺氧、误插等严重并发症［5］。新生儿因解剖特殊，尚无统一有效的定位方法［6］。鉴于此，亟需研发可辅助临床医师精准定位气管导管的技术和方法。
近年来，人工智能（artificial intelligence， AI）技术为困难气道管理领域带来革命性变革。任伟东等［7］、郑源源等［8］已探讨AI技术在成年患者困难气道评估及插管定位中的应用，但针对患儿群体的系统性研究不足。宋琳琳等［9］虽综述患儿麻醉技术难题，却未深入分析AI驱动的解剖定位策略。现有综述研究存在4个方面的局限性：第一，缺少研究系统性整合成年患者与患儿在气道管理领域的AI应用，由于成年患者与患儿气道解剖参数（如气管直径、软骨弹性模量）存在量级差异，传统统合分析模式难以满足精准医疗需求。第二，多数研究未区分“插管定位”（预测导管尖端位置）与“插管位置评估”（评估导管与隆突相对关系），常将两者混为一谈，缺乏专门对气管插管这一操作的细化探讨。第三，多数研究缺乏对AI模型使用数据的系统性分类，任伟东等［7］和郑源源等［8］粗略提及视频喉镜和胸部X线片数据，而宋琳琳等［9］更加专注于临床电子病历数据。第四，现有综述研究未能从AI模型的角度对气管导管定位任务进行细粒度分类（如气管的插管位置定位研究需目标检测和分割模型，插管位置评估需分类和回归任务），仅笼统地将其归为“AI方法”，难以提供精准方法论指导。本文通过梳理最新研究进展，系统性介绍AI技术在成年患者和患儿气管导管定位中的应用现状与发展趋势，将气管插管评估与定位任务明确区分，并分别针对成年患者和患儿两大人群展开深入分析，重点探讨不同AI技术的优势与局限性，同时对AI技术未来临床应用前景进行展望，以期为推动智能化气管插管技术的精准化发展提供参考，具体研究内容的思维导图如图1所示。
气管导管定位中的AI技术
在临床应用中，胸部X线片是评估气管导管位置的标准影像学检查方法［9］。放射科医师通过分析胸部X线片影像，测量气管导管尖端与隆突之间的距离，以确认插管位置是否恰当。视频喉镜数据和电子病例数据可作为辅助信息，进一步协助医师确认气管位置。近年来，随着AI技术的快速发展，包括卷积神经网络（convolutional neural network， CNN）、时间序列模型和迁移学习在内的多种AI技术已被引入该领域，显著提升了气管导管定位的准确性和效率。AI技术在气管导管定位中的应用主要分为两类：插管位置评估（通过回归或分类模型判定导管与隆突的相对位置）与插管位置定位（借助目标检测或图像分割方法直接预测导管尖端的具体位置）。由于成年患者与患儿的气管解剖结构存在显著差异［10］，患儿的气管插管案例数量少、操作耐受性差，胸部X线片影像数据获取难、个体差异显著等问题，现有针对患儿气管导管定位研究主要集中于位置评估任务中［11］。因此，后文将从以下个方面展开论述。
插管位置评估中的回归方法回归方法以胸部X线片数据为基础，利用深度学习或机器学习模型预测气管导管尖端与隆突之间的精确距离，输出具体数值，从而实现对插管位置的量化评估。
在面向成年患者的气管插管位置评估研究领域，Lakhani等［12］和Elaanba等［13］都基于深度学习模型构建回归任务，以提升气管导管定位的准确性。Lakhani等［12］更注重精确的距离预测，研究分析了从11 153例患者中获取的22 960张去标识的正面胸部X线片，采用InceptionV3深度神经网络来预测气管导管与气管分岔点的距离。结果显示，模型与放射科医师的测量一致性（以类内相关系数ICC衡量）分别达到0.84和0.89。该模型在检测低位气管导管（endotracheal tube， ETT）时，敏感性为0.939，特异性为0.977，表现出了较高的诊断能力。而Elaanba等［13］更强调异常位置的实时检测，利用迁移学习技术和Keras框架训练的深度卷积神经网络实时检测导管位置是否异常。该研究团队使用参数调整方法和数据增强方法，训练多种模型（ResNet50、DenseNet121、ResNet50V2、NASNetMobile、InceptionV3和ResNet101），其中Resnet50V2模型在异常位置检测的准确度达到80%。这两项研究都利用深度学习来提升气管导管定位的准确性，且在不同场景中验证了模型的有效性。
在面向患儿的气管插管位置评估研究领域，Yi等［14］和Shim等［15-16］均致力于通过机器学习来提升X线片上气管插管深度的最佳估计。Yi等［14］综述了近50年内用于检测新生儿胸部和腹部X线片上的导管插管位置计算机辅助诊断系统，并公开了相关数据集，以供研究者使用。而Shim等［15-16］的研究则聚焦于通过随机森林、弹性网络、支持向量机和人工神经网络等4种机器学习方法，构建回归任务，预测患儿的最佳气管插管深度。测试结果显示，随机森林模型的预测准确度最高，达79.0%，显著优于基于年龄、身高和插管内径的传统公式法，证明了机器学习在临床中的实际应用潜力。
回归方法在成年患者与患儿插管位置评估中都展现出显著的临床应用价值。基于胸部X线片，成年患者研究多采用深度学习模型，如Lakhani等［12］借助InceptionV3 网络实现精准距离预测，Elaanba等［13］利用Keras框架和迁移学习，使 ResNet50V2模型在异常位置检测的AUC达到0.80。患儿研究则侧重于传统机器学习，Shim等［15-16］通过随机森林等4种算法构建回归模型，预测准确率达79.0%。两类研究均通过量化插管位置距离，为临床气道管理提供客观依据，证实回归方法在不同人群插管定位中的有效性与实用性，为精准医疗提供了技术路径。
插管位置评估中的分类方法分类方法以判断插管定位正确性及深度范围为核心，通过构建模型将插管位置归类为 “正确”“过深”“过浅” 等类别，为临床决策提供直观、明确的依据。
在面向成年患者的气管插管位置评估研究领域，Tsai等［17］和Yuan等［18］利用深度学习技术构造分类任务，从不同维度实现对胸部X线片中气管导管位置的精准评估。Tsai等［17］构造了编码器-解码器的两层模型，专注于检测气管导管的4个关键点（气管导管末端、气管隆突以及左/右头臂静脉）。该模型的编码器部分基于预训练的DenseNet121结构，将图像转化为嵌入特征；解码器则是通过注意力机制增强的CNN子网络，用于生成4个关键点的概率分布。在TMUH数据的测试中，该模型的最高敏感性和特异性分别达到了0.928和0.846。Yuan等［18］则重点研究了基于迁移学习的深度学习模型（VGG16、InceptionV3、ResNet50和DenseNet169）在检测和评估胸部X线片中ETT放置位置的可行性。该研究表明，使用感兴趣区域（regionof interest， ROI）图像的模型表现更佳，其中VGG16模型结合ROI图像的AUC达到了0.92，F1分数为0.87。两项研究都使用了深度学习来提高ETT定位的准确性，并取得了显著效果，但Tsai等［17］更注重通过关键点检测评估ETT位置的适当性，而Yuan等［18］则强调了迁移学习和ROI的作用，展示了如何通过模型优化来提高检测效果。
在面向患儿的气管插管位置评估研究领域，Xiao等［19］提出基于物理的虚拟现实模拟系统，用于自动评估新生儿气管插管的表现。该系统能够捕捉喉镜和气管插管的完整运动，为临床医师提供全面信息，以进行准确评估。同时，研究者开发可解释的机器学习算法构建分类任务，通过训练从运动中提取的性能参数和专家评分来自动评估新生儿气管插管的表现。该自动评估算法在留一交叉验证中的分类准确度达到80%，表明该系统能够可靠地进行一致和标准化的新生儿气管插管培训评估。
分类方法通过结构化输出显著提升了插管位置评估的效率与可靠性，在不同人群的气道管理中展现出重要的临床应用潜力。成年患者研究通过不同的深度学习模型架构与优化策略，实现对胸部X线片中导管位置的精准判断；患儿研究则另辟蹊径，借助虚拟现实模拟系统与可解释算法，为新生儿插管操作提供标准化评估手段。
插管位置定位中的目标检测方法在成年患者插管位置定位的目标检测任务中，胸部X线片数据和视频喉镜数据作为主流数据源，模型侧重于识别和进行气管导管尖端的边界框定位。Yolo系列模型［20］的应用取得了显著进展。Harris等［21］在大量胸部X线片图像中标注气管导管和隆突的边界框，并使用Yolo-v3框架训练机器学习模型。该模型通过生成测试集X线片的图像边界框来计算导管与隆突间距，在黄金标准数据集和前瞻性数据集上的测试结果显示，其测量误差（分别为0.70和0.68 cm）与放射科医师的平均误差（0.70 cm）相当，误差范围控制在0.1 cm以内。该模型与人工测量精度相似，证明了AI技术在气管导管定位目标检测中的潜力。
Yolo系列模型［20］在视频喉镜图像分析领域同样表现出卓越性能。Wu等［22］开发了基于Yolo-v3模型时间序列模型，实现了92.4%的目标识别率，在优化管尖和咽喉图像后，识别率进一步提升至99.4%。Kim等［23］则对Yolo-v4模型进行改进，利用20 161张临床视频喉镜图像进行训练，实现了每秒65帧的实时图像处理速度，为临床医师提供了快速、准确的声带定位辅助。在单模态研究取得突破的同时，多模态融合技术也展现出独特的优势。徐天意等［24］创新性地提出整合内窥镜图像和二氧化碳浓度的多模态融合方法，并用多分支空间卷积模块和矢量定位算法对Yolo-v3网络进行改进，通过校正模型所得边界框的中心坐标，显著提高了小目标检测精度（在模拟气道中的操作时间中位数仅为15.5 s，且操作成功率高达97.3%），为气道定位提供了可靠的技术支持。
插管位置定位中的图像分割方法在成年患者插管位置定位的图像分割任务中，模型专注于识别胸部X线片图像中与气管插管尖端相关的像素点，Huang等［25］和Jung等［26］基于Mask R-CNN［27］模型展开分析评估。Huang等［25］基于Mask R-CNN模型开发自动检测算法，专注于便携式仰卧位胸部X线片上ETT尖端与隆突位置及其间距离的检测。通过对1 842例插管患者的胸部X线片进行4折交叉验证和外部验证，结果显示该算法在ETT-隆突距离测量方面与人类医师表现相当，甚至在某些方面优于部分临床医师。此外，Jung等［26］研究重点在于开发多标签分类算法，通过对胸部X线片中ETT位置的自动分割实现多标签分类：采用Mask R-CNN和ResNet50［28］对ETT区域进行自动分割，再通过EfficientNet模型完成分类标签划分，结果显示该方法在分类准确度和分割性能上均表现优异。
此外，在成年患者插管位置定位的图像分割任务中，其他研究团队也探索了不同的技术路径。Wang等［29］基于DeepLabv3框架和DenseNet121框架开发的计算机辅助检测模型，在支气管插管检测中表现出良好的外部泛化性。Brown等［30］和Jung等［31］研究团队都是基于U-net模型［32］进行胸部X线片中气管和导管结构的自动分割，并根据导管的深度位置进行分类。Brown等［30］探讨U-net模型在ICU患者中的应用，通过语义嵌入的神经网络开发自动检测ETT、气管和隆突的系统，以评估其作为临床质量改进工具的潜力。结果表明，该系统达到了临床验证标准。Jung等［31］研究则专注于CVC的深度位置评估，分别验证了不同导管位置的AI辅助检测在实际临床应用中的可行性和有效性。该研究使用U-net++模型进行气管和CVC的自动分割，随后通过EfficientNet进行CVC位置的分类，取得了较高的分类准确性和性能（在浅位置标签中最高准确度达91.0%，深位置标签中的F1值最高达0.82）。这些研究结果均提示，先进的AI技术在ETT位置自动检测中表现出色，能够有效降低定位错误的风险，提升临床操作的安全性和效率。
AI在气管导管定位研究中面临的问题与挑战
研究数据在气管导管定位的AI研究中，目前的研究数据主要来自2种影像类型：胸部X线片和视频喉镜。其中，绝大多数研究采用胸部X线片图像作为主要数据来源，少数研究［21-22］基于视频喉镜的图像数据进行研究。胸部X线片图像在气管导管定位方面的优点包括数据获取相对便捷、覆盖面广，且适合在术后或急救过程中快速确认插管位置，而缺点是胸部X线片图像为静态影像，无法提供实时动态信息，且图像中气道细节不如视频喉镜清晰。相反地，视频喉镜具有实时性强、可以动态观察的优势，有助于更细致地观察气道结构。然而，由于视频喉镜的研究数量相对较少，尚未形成广泛的数据积累和模型验证。在数据量方面，大部分文献中数据集的数量在400例以上，最大的数据数量为40 000例［17］。
AI技术在气管导管定位中的研究数据还存在进一步完善的空间。首先，缺乏多中心、多种族的大规模研究数据研究，尤其是在不同地域和不同种族背景下，AI模型的表现可能存在偏差，影响其普适性。其次，患儿的数据集相对匮乏，由于患儿的气道解剖结构与成年患者差异显著，针对患儿气管插管的AI模型仍需进一步开发和验证。最后，虽然已有部分研究基于胸部X线片和视频喉镜开展，但公开数据集的共享和开放程度仍然较低，尤其是视频喉镜数据集较为稀缺，这无疑限制了相关研究的进展和AI模型的优化。随着数据共享和多中心合作的推进，未来有望缓解这些挑战，提升AI在气管导管定位中的应用效果和临床价值。
研究方法目前在气管导管定位中，AI技术已广泛应用，尤其是在成年患者和患儿的气道插管定位与评估中。基于AI技术的气管导管定位方法主要包括目标检测、图像分割、回归任务和分类任务等。
在插管位置评估方面，AI技术主要通过回归和分类任务来评估插管尖端的准确性。回归任务侧重于预测气管导管尖端与隆突之间的距离，确保插管的精准定位；而分类任务则着重于判断插管是否正确，并根据插管深度进行分类。Lakhani等［12］通过InceptionV3深度神经网络进行回归任务，成功预测了导管与气管分叉点的距离，验证了该模型在不同测试集中的一致性。Elaanba等［13］则利用迁移学习和深度卷积神经网络（deep convolutional neural network, DCNN）实时检测导管的异常位置，确保插管位置的正确性。对于分类任务，Tsai等［17］和Yuan等［18］也采用了深度学习模型进行气管导管位置的分类评估。尤其是基于迁移学习的深度学习模型、VGG16、ResNet等模型，在实时检测和评估插管位置的准确性方面表现出色，能够有效提高诊断效率和精度。
在成年患者插管位置定位方面，AI方法包括目标检测和图像分割方法。目标检测方法，如Yolo-v3模型，已在胸部X线片中取得显著进展，能够准确标记气管导管和隆突的位置，计算导管与隆突之间的距离。相关研究[21-22，24]表明，Yolo-v3模型的测量误差与放射科医师相当，证明了其在临床应用中的潜力。图像分割方法，如Mask R-CNN模型，也被用于成年患者插管位置的自动检测。这些模型通过自动分割图像，识别气管导管尖端与隆突的关系，取得与临床医师相当甚至更优的结果，提升插管定位的准确性和效率。此外，U-net模型等也在自动分割与分类任务中表现优异，能够有效降低定位错误的风险，提升临床操作的安全性[30-31]。
尽管AI技术在气管导管定位中的相关研究取得了显著进展，但仍有一些方面需要改进。首先，模型的可解释性和可信性是当前技术应用中的关键问题。虽然深度学习模型在插管定位中表现出色，但缺乏足够的解释性，这可能限制了其在临床中的广泛应用。医疗领域需要对AI模型的决策过程有更清晰的了解，以便医师能够信任和有效利用这些工具。此外，偏见问题也亟需解决，因为训练数据的偏差可能会导致AI模型在不同人群中的表现不一致，进而影响其临床决策的准确性和公平性。因此，进一步提高模型的可解释性、可信性，并减少数据偏见，仍是AI技术在气管导管定位中的发展方向。
成年患者和患儿气管导管定位的对比AI技术在患儿和成年患者的气管导管定位中表现出不同的应用特点和挑战。患儿和成年患者的呼吸系统结构差异显著，极大地增加了患儿气管插管过程的复杂性，要求AI系统能够处理更多可变的解剖特征。基于机器学习和深度学习的系统在患儿气管导管定位中取得了很高的准确性，有效地辅助了医护人员，提高了插管的成功率。然而，患儿插管数据的稀缺限制了这些模型的泛化能力，且其开发和维护成本较高。相比之下，成年患者的气管导管定位相对简单，给AI应用带来的挑战较少。AI系统在成年患者插管定位中同样表现出高精度和高效性，减少了误插管的风险，提高了操作安全性和成功率。成年患者的解剖结构相对稳定，且数据量丰富，这使得模型的训练和优化更为容易，从而增强了泛化能力。尽管成年患者插管的AI系统已经较为成熟，但在一些极端情况下仍存在局限性，亟需进一步验证。
总体而言，AI技术在患儿和成年患者气管导管定位中的应用具有显著优势，包括提高预测准确性、操作效率和安全性。然而，患儿插管的复杂性和数据稀缺给相关技术的开发和应用带来了更大的挑战。成年患者插管系统受益于数据丰富和结构稳定，但在极端情况下仍需进一步改进。
AI在临床气管导管定位中的潜在应用
随着AI和机器人技术的持续发展，智能化的气管插管系统发生了重大转变，显示出巨大的临床应用潜力，为提高插管的安全性和成功率提供强有力的支持。
气管导管精准定位的优化AI辅助图像识别技术将大幅提升气管插管的精准度与实时导航能力。AI装置结合喉镜实时识别声带、会厌等关键解剖结构，为医师操作提供精准导航辅助；AI装置能够精准检测气管隆突等关键标志，提高插管成功率。此外，AI装置不仅依赖于视频喉镜和CRX数据，还可整合超声图像等多模态信息进行导管位置识别，有效减少传统听诊法的滞后性误差。通过多模态数据整合与实时分析，AI装置能够显著提升气管插管的精准度，为麻醉科医师提供更为精准的动态导航。
机器人辅助系统的突破机器人技术的引入将极大提升远程插管操作的自动化与安全性。在远程操作方面，AI赋能的系统允许医师远程操控插管，尤其适用于高危疾病患者或高风险场景，如乙肝病毒感染者的手术期间减少医护感染风险。在自动化尝试方面，机器人内窥镜已在仿真人模型上成功实现自动喉镜成像，未来有望实现自动插管，减少对人工经验的依赖，提高气管插管的准确度。此外，在紧急救援场景中，远程机器人辅助插管系统（remote robot-assisted intubation system， RRAIS）能够在模拟环境下的插管成功率显著提升，为急救医学与灾难医学提供了一种自动化、安全的全新解决方案。
临床规培的革新AI技术的介入有助于对临床医师进行科学培训。传统的插管培训主要依赖导师示范与学员实操，但学习效果往往受个体经验、培训资源和反馈机制限制。AI赋能的智能培训系统通过大数据分析学员的操作表现，实时调整训练难度，并针对不同经验水平的医师提供个性化学习方案。与此同时，AI指导的模拟训练设备结合实时可视化技术，有效弥补了传统培训缺乏即时反馈的不足。通过3D解剖模型、增强现实和机器学习算法，系统将实时分析插管路径，提供精确的导航辅助，帮助学员识别最佳插管角度和深度；自动评估操作质量，检测是否误入食管或单侧支气管，并给出具体的改进建议；记录并量化培训数据，生成个性化的学习报告，帮助学员直观了解进步情况，优化训练策略。
AI技术的应用正在引领气管导管定位的深度变革，不仅提升了操作效率，还增强了患者的安全性和治疗效果。AI 赋能的智能系统能够根据患者的个体特征制定个性化管理方案，实现更精确、高效的医疗干预。随着AI在困难气道管理中的深入应用，气管插管过程将进一步优化，减少并发症风险，改善治疗效果，推动插管技术从传统经验驱动向智能化、数据驱动模式转型。未来，AI技术将在麻醉与急救医学的发展中发挥重要作用，助力临床实践向标准化、精准化方向迈进。
小 结
现有研究在气管导管定位中的AI应用方面已取得一定进展。气管插管位置定位与气管插管位置评估是两个相对独立的任务，研究重点主要集中在成年患者的插管位置定位、成年患者与患儿气管插管位置评估，以及机器学习和深度学习在困难气道评估中的应用等方面。与传统人工评估方法相比，AI技术展现出推动成年患者与患儿气管导管定位方法变革性潜力。然而，现有研究也揭示了若干挑战，包括数据类型和特征的复杂性、数据稀缺性、算法局限性以及模型可行性。总之，现有研究进展不仅比较了成年患者和患儿两大人群的气管导管定位方法，还对AI技术介入气管导管定位的应用前景进行了展望，为AI在气道管理中的临床应用提供了一定的参考。
参考文献略。
DOI:10.12089/jca.2025.12.014
热门跟贴