AI 可穿戴超声补丁实现无创中心静脉压监测，面向 ICU 血流动力学连续评估

AI 可穿戴超声补丁实现无创中心静脉压监测，面向 ICU 连续血流动力学评估

一项发表于 Cyborg and Bionic Systems 的研究提出了一套面向重症监护场景的 AI 可穿戴超声方案，尝试通过贴在颈部的超声补丁，无创连续评估中心静脉压（central venous pressure, CVP）。

这套系统由什么组成

研究团队设计了一款超薄、128 阵元的线阵超声换能器，可舒适佩戴在颈部，对右侧颈内静脉（right internal jugular vein, IJV）和颈总动脉（common carotid artery, CCA）进行成像。

研究人员解释说，之所以选择这两条血管，是因为颈内静脉与右心房直接相连且没有瓣膜，因此能够较稳定地反映中心静脉压变化。

该补丁中心频率为 8.5 MHz，结合双层声学匹配、定制背衬层、固态水凝胶耦合剂和硅胶封装，以兼顾图像分辨率、穿透深度、带宽、灵敏度以及长时间佩戴舒适性。可行性测试中，设备最长可连续佩戴 24 小时。

为什么需要 AI

这套设备会持续输出 cine-loop 超声视频，但逐帧人工分析既费时又不现实。

为了解决这个问题，团队开发了 dual-decoder spatiotemporal attention network（DSTA-Net），这是一种半监督分割模型。它只需要人工标注约 10% 的关键帧，也就是 IJV 最大扩张和最小扩张时的帧，其余 90% 的未标注帧则通过双解码器一致性机制转化为训练信号。

研究人员表示，这种方法避免了脆弱的 teacher-student 更新方式，在减少人工标注负担的同时，仍能充分利用连续视频数据。

分割模型表现如何

在内部和外部测试集中，DSTA-Net 都显著优于多种主流全监督和半监督模型，包括 UNet、Swin-UNet、DeepLabV3+、UniMatch、DWL 和 AllSpark。

在 IJV 分割任务上，DSTA-Net 的 Dice 分数达到：

• 内部测试集 83.5%
• 外部测试集 75.8%

相较最佳全监督基线，提升幅度约为 12% 和 9%。

研究还显示，由 DSTA-Net 自动分割得到的血管参数与专家人工测量之间的 Spearman 相关性多数超过 0.88，Bland-Altman 分析也显示二者达到临床可接受的一致性水平。

如何从超声图像预测 CVP

系统会从自动分割后的图像中提取 5 个血管指标：

• IJV 最大面积
• IJV 最小面积
• CCA 面积
• IJV 最大面积 / CCA 面积
• IJV Ratio

这些指标再与年龄、BMI、血压、心率等人口学和生理变量一起输入到一个 dual-modality multilayer perceptron（DM-MLP）模型中，用于判断是否存在 CVP 升高。

研究团队表示，这个 DM-MLP 针对表格型临床数据专门设计，采用 Attribute-Mixing 和 Case-Mixing 两种混合方式，较 ResNet、DenseNet 和 Transformer 在 AUC 上高出 4% 到 8%。

临床验证结果

在一项前瞻性多中心研究中，研究团队纳入了 349 名 ICU 患者，其中 272 例来自上海市第六人民医院，77 例来自上海市第十人民医院。

针对“CVP 升高（≥ 8 mmHg）”这一判别任务，DM-MLP 达到：

• 内部测试 AUC 0.91
• 外部测试 AUC 0.87

同时，采用 7 mmHg 和 9 mmHg 作为替代阈值的敏感性分析也显示，该模型具有较好稳健性。

SHAP 可解释性分析进一步表明，超声提取的血管指标，尤其是 IJV 最大面积和 IJV Ratio，是最主要的预测因子，作用明显强于血压或 BMI 等传统临床参数。

研究团队如何界定它的用途

研究者强调，这套系统的目标并不是在所有患者中替代中心静脉导管（CVC），而是为那些不适合或难以置管的患者，提供一种安全、快速、可重复的筛查工具，并在床旁更早识别 CVP 升高，以辅助及时干预。

系统当前可在医院服务器上以每秒 32 帧速度运行，单帧推理时间约 30 毫秒，接近实时解释能力。

局限与下一步

作者也承认，这项研究仍有几项限制：

• 对 AI 训练而言，样本量仍然偏小
• 研究目前聚焦诊断性能，而非临床结局改善
• 半监督模型的内部决策机制仍相对不透明

后续研究计划包括扩大多中心队列、直接预测连续 CVP 数值、引入 Grad-CAM 等可解释性技术，并开展干预性试验，以评估 AI 引导的无创监测能否真正改善补液和升压药管理。

为什么值得关注

从行业角度看，这项工作把“可长时间佩戴的超声硬件 + 半监督分割模型 + 临床预测模型”整合成一套完整框架，向 ICU 血流动力学连续评估迈进了一步。

如果后续研究能进一步证明其对临床决策和结局的价值，这类无创、连续、AI 驱动的超声监测设备，可能会成为重症监护和急性照护场景中的重要补充工具。